二维的旋转平移矩阵

在二维空间中,旋转和平移变换可以通过2x2的旋转矩阵和2x3的变换矩阵来表示。

二维旋转矩阵用于表示一个点或向量在二维平面上的旋转。对于绕原点逆时针旋转θ角的变换,其旋转矩阵为:

复制代码

复制代码

|---|-----------------------|
| | R = | cosθ -sinθ | |
| | | sinθ cosθ | |

如果有一个二维点P(x, y),则旋转后的点P'(x', y')可以通过矩阵乘法得到:

复制代码

复制代码

|---|--------------------------------|
| | | x' | | cosθ -sinθ | | x | |
| | | y' | = | sinθ cosθ | | y | |

计算后得到:

复制代码

复制代码

|---|-----------------------------|
| | x' = x * cosθ - y * sinθ |
| | y' = x * sinθ + y * cosθ |

二维平移矩阵则用于表示一个点或向量在二维平面上的平移。平移矩阵是一个3x3的矩阵,它可以在旋转矩阵的基础上增加平移向量。平移矩阵的形式如下:

复制代码

复制代码

|---|-------------------|
| | T = | 1 0 tx | |
| | | 0 1 ty | |
| | | 0 0 1 | |

其中,tx和ty分别表示在x轴和y轴上的平移距离。为了使用平移矩阵,我们通常将二维点P(x, y)扩展为齐次坐标形式P_h(x, y, 1)。然后,通过矩阵乘法应用平移矩阵:

复制代码

复制代码

|---|------------------------------|
| | | x' | | 1 0 tx | | x | |
| | | y' | = | 0 1 ty | | y | |
| | | 1 | | 0 0 1 | | 1 | |

计算后得到:

复制代码

复制代码

|---|----------------|
| | x' = x + tx |
| | y' = y + ty |

复合变换(即先进行旋转再进行平移)则需要将旋转矩阵和平移矩阵结合起来。这通常通过将旋转矩阵与平移矩阵相乘来实现,形成一个总的变换矩阵。注意,矩阵乘法不满足交换律,因此变换的顺序很重要。先旋转后平移的复合变换矩阵形式如下:

复制代码

复制代码

|---|----------------------------------|
| | M = T * R = | cosθ -sinθ tx | |
| | | sinθ cosθ ty | |
| | | 0 0 1 | |

然后,对于二维点P(x, y),其经过旋转和平移后的新位置P'(x', y')可以通过以下方式计算:

复制代码

复制代码

|---|------------------------------------|
| | | x' | | cosθ -sinθ tx | | x | |
| | | y' | = | sinθ cosθ ty | | y | |
| | | 1 | | 0 0 1 | | 1 | |

计算后得到变换后的坐标(x', y')。

相关推荐
zyl76515 小时前
FlashAttention 详解:从 GPU 硬件、普通 Attention 到分块计算与 Online Softmax
算法
爱读书的小胖19 小时前
LeetCode 122:买卖股票的最佳时机 II(C)解题分析
算法
结局无敌19 小时前
React Native for OpenHarmony 实战:三方库 react-native-modal-dialog 的鸿蒙化适配指南
深度学习·算法·react native·react.js·harmonyos
OPEN-F19 小时前
ROS2系列教程:上位机建图与导航(原理综合)
算法·机器人
weixin_3077791319 小时前
C++代码实现MATLAB中的fitrtree函数功能
开发语言·c++·算法·matlab
tomwang032220 小时前
路径优化建模、优化算法分类及工程化小结
算法·数学建模·分类
小羊没烦恼!20 小时前
Ajax与JSON的一些总结
android·java·前端·数据库·mysql·算法·okhttp
2501_9269783320 小时前
人机通信协议--人和机器之间的交互想象
人工智能·经验分享·算法·ai写作
行者全栈架构师20 小时前
【鸿蒙心迹】互动卡片全链路——把核心功能放到桌面(FormKit 实战)(HarmonyOS 7.x)
前端·算法·架构
无定义_20 小时前
10.11日常训练
算法