齐次坐标和齐次矩阵

这篇具有很好参考价值的文章主要介绍了齐次坐标和齐次矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

1、齐次坐标

2、齐次矩阵

3、齐次矩阵应用举例


        在二维平面中基本的几何变换里,讲到了一些基本的几何变换,其中旋转、缩放属于线性变换,都能写成齐次矩阵,图形学,几何处理,矩阵,线性代数的形式。而平移属于仿射变换(经过一次线性变换,再进行一次平移),需要写成齐次矩阵,图形学,几何处理,矩阵,线性代数的形式。那么能不能把上面的线性变换和仿设变换用同一种形式来表示呢?为了实现这个目标,就需要用到齐次坐标和齐次矩阵。下面主要针对二维空间的齐次坐标和齐次矩阵进行说明,在三维中情况类似。

1、齐次坐标

        现在引入第三坐标h,将二维坐标位置齐次矩阵,图形学,几何处理,矩阵,线性代数扩充到三维表示齐次矩阵,图形学,几何处理,矩阵,线性代数,称为齐次坐标(homogeneous coordinate)。这里齐次矩阵,图形学,几何处理,矩阵,线性代数齐次矩阵,图形学,几何处理,矩阵,线性代数。其中h称为齐次参数(homogenous parameter),是一个非零值。理论上h可以取任意非零值,但是为了方便,我们一般设置h=1。此时齐次坐标表示为齐次矩阵,图形学,几何处理,矩阵,线性代数

 补充:

      引入第三坐标后,二维中点和向量的表示是有区别的。

        2D点:齐次矩阵,图形学,几何处理,矩阵,线性代数  

        2D向量:齐次矩阵,图形学,几何处理,矩阵,线性代数

        为什么点和向量的写法不同呢?主要是因为向量具有平移不变性。因为向量平移一段距离后,仍然是同一个向量,第三坐标写成0,就是为了保持向量不变。

2、齐次矩阵

        为了能用一种形式来表示常见的几种几何变换,现在引入齐次矩阵(homogeneous transformation)的概念。相应的变换矩阵也要扩充为3X3的矩阵(在3D中,则为4X4的矩阵)。

        二维中,齐次矩阵表示为:

齐次矩阵,图形学,几何处理,矩阵,线性代数

        左上角齐次矩阵,图形学,几何处理,矩阵,线性代数:为线性变换矩阵。

        右上角齐次矩阵,图形学,几何处理,矩阵,线性代数:平移向量。

        在仿设变换中,最下面的一行固定写为:0 0 1

        三维中,齐次矩阵表示为:

齐次矩阵,图形学,几何处理,矩阵,线性代数

3、齐次矩阵应用举例

        二维缩放齐次矩阵形式:

        齐次矩阵,图形学,几何处理,矩阵,线性代数

         二维旋转齐次矩阵形式:

齐次矩阵,图形学,几何处理,矩阵,线性代数

         二维平移齐次矩阵形式:

齐次矩阵,图形学,几何处理,矩阵,线性代数文章来源地址https://www.toymoban.com/news/detail-782508.html

到了这里,关于齐次坐标和齐次矩阵的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数笔记4.4(二)非齐次线性方程组解的结构

    首先 Ax = b是一个非齐次线性方程组,若Ax = 0,则叫这个齐次方程组为导出组 性质 若a1,a2是Ax = b的解,则a1 - a2 是Ax = 0的解,即非齐次方程组的解相减得到齐次方程组的解 非齐次线性方程组的解与导出组的解相加以后,还是非齐次方程组的解 非齐次线性方程组的解:等于一个

    2024年02月07日
    浏览(63)
  • 齐次坐标和齐次矩阵

    目录 1、齐次坐标 2、齐次矩阵 3、齐次矩阵应用举例         在二维平面中基本的几何变换里,讲到了一些基本的几何变换,其中旋转、缩放属于线性变换,都能写成 的形式。而平移属于仿射变换(经过一次线性变换,再进行一次平移),需要写成 的形式。那么能不能把

    2024年02月02日
    浏览(39)
  • Python处理矩阵和线性代数问题

    如未作说明,下列方法均调用自 linalg 矩阵分解 cholesky , qr ,奇异值分解 svd 求特征值 eigvals ,共轭对称阵特征值 eigvalsh(a[, UPLO]) 特征值和 特征向量 eig ,共轭对称的特征值和向量 eigh(a[, UPLO]) 特征数字 范数 norm ,迹 trace 条件数 cond ,行列式 det ,符号 slogdet 通过SVD方法求秩

    2024年02月05日
    浏览(37)
  • 线性代数中的矩阵分解与稀疏处理

    线性代数是计算机科学、数学、物理等多个领域的基础知识之一,其中矩阵分解和稀疏处理是线性代数中非常重要的两个方面。矩阵分解是指将一个矩阵分解为多个较小的矩阵的过程,这有助于我们更好地理解和解决问题。稀疏处理是指处理那些主要由零组成的矩阵的方法,

    2024年04月15日
    浏览(48)
  • Unity | 向量、矩阵、齐次坐标

    目录 一、向量点乘叉乘 1.点乘 1.1 公式 1.2 几何意义 2.叉乘 2.1 公式 2.2 几何意义 二、矩阵点乘叉乘 1.矩阵 2.矩阵的点乘 3.矩阵的叉乘 三、矩阵旋转 四、齐次坐标         又称内积,结果是个标量, 1.1 公式         向量a与向量b点乘的计算公式有两个: a·b=(x1, y1, z1)·

    2024年02月16日
    浏览(35)
  • pytorch入门2--数据预处理、线性代数的矩阵实现、求导

    数据预处理是指将原始数据读取进来使得能用机器学习的方法进行处理。 首先介绍csv文件: CSV 代表逗号分隔值(comma-separated values),CSV 文件就是使用逗号分隔数据的文本文件。 一个 CSV 文件包含一行或多行数据,每一行数据代表一个记录。每个记录包含一个或多个数值,

    2024年02月04日
    浏览(43)
  • 线性代数 - 几何原理

    欢迎阅读这篇关于线性代数的文章。在这里,我们将从一个全新的角度去探索线性代数,不再仅仅局限于数值计算,而是深入理解其背后的几何原理。我们将一起探讨向量、线性变换、矩阵、行列式、点乘、叉乘、基向量等核心概念,以及它们如何在实际问题中发挥作用。无

    2024年02月05日
    浏览(46)
  • 齐次裁剪矩阵(投影矩阵)ProjectionMatrix参数分析以及NDC坐标原理解释

    齐次裁剪矩阵(投影矩阵)ProjectionMatrix参数分析以及NDC坐标原理解释 在观察空间中,我们可以通过近平面(near plane)n,和远平面(far plane)f,垂直视场角 a 以及纵横比 r 这4个参数来表述一个以原点作为中心的视锥体。横纵比公式: r = width/height(宽除以高); 出于理解,我

    2024年03月16日
    浏览(58)
  • 简单的线性代数与几何

    最后编辑于 2024-01-04 本文中所有作为下标的代数均为正整数 存储 向量是表示方向的量, 在不同维度的下向量的数据长度有所不同; 记录时以轴的顺序记录在不同轴上的坐标 : { x(第0轴的坐标) , y(第1轴的坐标), z(第2轴的坐标)…} 代码中使用数值的指针并携带长度属性代替大部

    2024年02月02日
    浏览(47)
  • 线性代数的本质——几何角度理解

    B站网课来自 3Blue1Brown的翻译版,看完醍醐灌顶,强烈推荐: 线性代数的本质 本课程从几何的角度翻译了线代中各种核心的概念及性质,对做题和练习效果有实质性的提高,下面博主来总结一下自己的理解 在物理中的理解是一个有 起点和终点的方向矢量 ,而在计算机科学中

    2024年02月02日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包