仿射变换及其变换矩阵的理解

目录

  • 写在前面
  • 仿射变换:平移、旋转、放缩、剪切、反射
  • 变换矩阵形式
  • 变换矩阵的理解与记忆
  • 变换矩阵的参数估计
  • 参考

博客:blog.shinelee.me | 博客园 | CSDN

写在前面

2D图像常见的坐标变换如下图所示:
Basic set of 2D planar transformations
这篇文章不包含透视变换(projective/perspective transformation),而将重点放在仿射变换(affine transformation),将介绍仿射变换所包含的各种变换,以及变换矩阵该如何理解记忆。

仿射变换:平移、旋转、放缩、剪切、反射

仿射变换包括如下所有变换,以及这些变换任意次序次数的组合
affine transformations

平移(translation)和旋转(rotation)顾名思义,两者的组合称之为欧式变换(Euclidean transformation)或刚体变换(rigid transformation);

放缩(scaling)可进一步分为uniform scalingnon-uniform scaling,前者每个坐标轴放缩系数相同(各向同性),后者不同;如果放缩系数为负,则会叠加上反射(reflection)——reflection可以看成是特殊的scaling;

刚体变换+uniform scaling 称之为,相似变换(similarity transformation),即平移+旋转+各向同性的放缩;

剪切变换(shear mapping)将所有点沿某一指定方向成比例地平移,语言描述不如上面图示直观。

各种变换间的关系如下面的venn图所示:
transformations venn diagram
通过变换矩阵可以更清晰地看出这些变换间的关系和区别。

变换矩阵形式

没有平移或者平移量为0的所有仿射变换可以用如下变换矩阵描述:

\[ \left[ \begin{array}{l}{x'} \\ {y'}\end{array}\right]=\left[ \begin{array}{ll}{a} & {b} \\ {c} & {d}\end{array}\right] \left[ \begin{array}{l}{x} \\ {y}\end{array}\right] \]

不同变换对应的\(a, b, c, d\)约束不同,排除了平移变换的所有仿射变换为线性变换(linear transformation),其涵盖的变换如上面的venn图所示,其特点是原点位置不变多次线性变换的结果仍是线性变换

为了涵盖平移,引入齐次坐标,在原有2维坐标的基础上,增广1个维度,如下所示:

\[ \left[ \begin{array}{l}{x^{\prime}} \\ {y^{\prime}} \\ {1}\end{array}\right] =\left[ \begin{array}{lll}{a} & {b} & {c}\\ {d} & {e} & {f} \end{array}\right] \left[ \begin{array}{l}{x} \\ {y} \\ {1}\end{array}\right] \]

所以,仿射变换的变换矩阵统一用 \(\left[ \begin{array}{lll}{a} & {b} & {c}\\ {d} & {e} & {f}\end{array}\right]\)来描述,不同基础变换的\(a,b,c,d,e,f\)约束不同,如下所示:

VuEg5n.png
此外,旋转和平移相乘得到刚体变换的变换矩阵,如下,有3个自由度(\(\theta, t_x, t_y\)),这里旋转方向为逆时针方向,因此与上图中的正负号不同,
\[ \left[ \begin{array}{ccc}{\cos (\theta)} & {-\sin (\theta)} & {t_{x}} \\ {\sin (\theta)} & {\cos (\theta)} & {t_{y}}\end{array}\right] \left[ \begin{array}{l}{x} \\ {y} \\ {1}\end{array}\right]=\left[ \begin{array}{c}{x^{\prime}} \\ {y^{\prime}} \\ {1}\end{array}\right] \]

再乘上uniform scaling得到相似变换,有4个自由度(\(s, \theta, t_x, t_y\)),如下:

\[ \left[ \begin{array}{ccc}{s\cos (\theta)} & {-s\sin (\theta)} & {t_{x}} \\ {s\sin (\theta)} & {s\cos (\theta)} & {t_{y}}\end{array}\right] \left[ \begin{array}{l}{x} \\ {y} \\ {1}\end{array}\right]=\left[ \begin{array}{c}{x^{\prime}} \\ {y^{\prime}} \\ {1}\end{array}\right] \]

自然,仿射变换的变换矩阵有6个自由度(\(a,b,c,d,e,f\))。

变换矩阵的理解与记忆

rotate matrix
坐标系坐标原点基向量决定,坐标原点基向量确定了,坐标系也就确定了。

对于坐标系中的位置\((x, y)\),其相对坐标原点在\([1, 0]\)方向上的投影为\(x\),在\([0, 1]\)方向上的投影为\(y\)——这里投影的意思是过\((x, y)\)做坐标轴的平行线与坐标轴的交点到原点的距离,即\((x, y)\)实际为:

\[\left[ \begin{array}{l}{x} \\ {y}\end{array}\right] = x\left[ \begin{array}{l}{1} \\ {0}\end{array}\right] + y\left[ \begin{array}{l}{0} \\ {1}\end{array}\right] = \left[ \begin{array}{ll}{1} & {0} \\ {0} & {1}\end{array}\right] \left[ \begin{array}{l}{x} \\ {y}\end{array}\right]\]

当坐标系变化,坐标系中的点也跟着变化,但点相对新坐标系\(x'-y'\)坐标系)的位置不变仍为\((x, y)\),以旋转变换为例,新坐标轴的基向量则变为\([\cos (\theta), \sin (\theta)]\)\([-\sin (\theta), \cos (\theta)]\),所以点变化到新位置为:

\[\left[ \begin{array}{l}{x'} \\ {y'}\end{array}\right] = x\left[ \begin{array}{l}{\cos (\theta)} \\ { \sin (\theta)}\end{array}\right] + y\left[ \begin{array}{r}{- \sin (\theta)} \\ { \cos (\theta)}\end{array}\right] = \left[ \begin{array}{lr}{\cos (\theta)} & {-\sin (\theta)} \\ {\sin (\theta)} & {\cos (\theta)}\end{array}\right] \left[ \begin{array}{l}{x} \\ {y}\end{array}\right]\]

新位置和新基向量是相对绝对坐标系(\(x-y\)坐标系)而言的。其他变换矩阵同理。

总结一下:

  • 所有变换矩阵只需关注一点:坐标系的变化,即基向量和原点的变化
  • 坐标系变化到哪里,坐标系中的所有点也跟着做同样的变化
  • 坐标系的变换分为 基向量的变化 以及 坐标原点的变化,在仿射变换矩阵 \(\left[ \begin{array}{lll}{a} & {b} & {c}\\ {d} & {e} & {f} \\ 0 & {0} & {1}\end{array}\right]\)中, \(\left[ \begin{array}{l}{a} \\ {d}\end{array}\right]\)\(\left[ \begin{array}{l}{b} \\ {e}\end{array}\right]\)为新的基向量,\(\left[ \begin{array}{l}{c} \\ {f}\end{array}\right]\)为新的坐标原点,先变化基向量,再变化坐标原点;

这时再对照上面的各种变换矩阵,就很好理解了。

Hierarchy of 2D coordinate transformations

变换矩阵的参数估计

如果给定两个对应点集,如何估计指定变换矩阵的参数?

一对对应点可以列两个线性方程,多个对应点可以列出线性方程组,为了求解参数,需要的对应点数至少为自由度的一半,多个点时构成超定方程组,可以基于最小二乘或者SVD分解等方法进行求解,这里不再展开。

参考

  • Image Alignment and Stitching: A Tutorial
  • wiki: Affine transformation
  • Geometric Transformation
  • Coordinates and Transformations
  • Transformations
  • Geometric Transformations
  • Image Geometry

转载于:https://www.cnblogs.com/shine-lee/p/10950963.html

你可能感兴趣的:(人工智能,matlab,c#)