KaTeX Math

线性代数复习

序

最近 GIS 很火啊,各种应用和引擎呈百花齐放的形式,之前的重心方向:地理信息框架、底层数据组织、业务应用模式都接触很多了,自己也做了简单的开源 Web GIS 应用以做代学,详情可见Github 仓库,后续的目标应该会集中在:显卡编程、GLSL、图形学上面,更偏底层一些,涉及到业务的更少,但能开拓的东西更多。

这块目标上随时都会涉及到线性代数的知识点,大学时候学习的线性代数这么多年没怎么用,已经基本还给老师了,所以很有必要进行一系列的回顾。故开此篇。

向量

向量的基础内容博客以前写过了,就不重新写了,详见:基础内容和延伸内容

矩阵

矩阵向量表示

我们可以用一个矩阵来表示向量,如一个二维向量可以这样表示:

A=(xy)A = \begin{pmatrix} x \\ y \end{pmatrix}

AT=(xy)A^T = \begin{pmatrix} x & y \end{pmatrix} 转置矩阵

注:一般习惯用列向量来表示,用行向量表示也可以,本质上没有区别

叉乘的性质

x⃗×y⃗=+z⃗\vec{x} \times \vec{y} = +\vec{z}
y⃗×x⃗=−z⃗\vec{y} \times \vec{x} = -\vec{z}
y⃗×z⃗=+x⃗\vec{y} \times \vec{z} = +\vec{x}
z⃗×y⃗=−x⃗\vec{z} \times \vec{y} = -\vec{x}
z⃗×x⃗=+y⃗\vec{z} \times \vec{x} = +\vec{y}
x⃗×z⃗=−y⃗\vec{x} \times \vec{z} = -\vec{y}

以上常用于定坐标系。

a⃗×b⃗=−b⃗×a⃗\vec{a} \times \vec{b} = -\vec{b} \times \vec{a}

a⃗×a⃗=0\vec{a} \times \vec{a} = 0

a⃗×(b⃗+c⃗)=a⃗×b⃗+a⃗×c⃗\vec{a} \times (\vec{b} + \vec{c})= \vec{a} \times \vec{b} + \vec{a} \times \vec{c}

a⃗×(kb⃗)=k(a⃗×b⃗)\vec{a} \times (k \vec{b})= k(\vec{a} \times \vec{b})

矩阵表示

一个 m ×\timesn 的数组(m:rows,n:columns)(m :rows, n :columns),例:

(135204)\begin{pmatrix} 1 & 3 \\ 5 & 2 \\ 0 & 4 \end{pmatrix}

矩阵相乘

必须满足:(M×N)(N×P)=(M×P)(M \times {\color{red}{N}}) ({\color{red}{N}} \times P) = (M \times P)

如何计算

结果矩阵的元素 (i, j) 是,A 矩阵的第 i 行和 B 矩阵的第 j 列 点乘的结果。

(135204)(36942783)=(9273313194461268283212)\begin{pmatrix} 1&3 \\ 5&2 \\ 0&4 \end{pmatrix} \begin{pmatrix} 3&6&9&4 \\ 2&7&8&3 \end{pmatrix} = \begin{pmatrix} 9&27&33&13 \\ 19&44&61&26 \\ 8&28&32&12 \end{pmatrix}

矩阵乘法属性

  • 不满足交换律 AB≠BAAB \neq BA

  • 结合律和分配率可用 (AB)C=A(BC)(AB)C = A(BC) A(B+C)=AB+ACA(B+C) = AB + AC (A+B)C=AC+BC(A+B)C = AC + BC

变换

缩放 Scale

[x′y′]=[Sx00Sy][xy]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} S_x&0 \\ 0&S_y \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix}

剪切变换 Shear Matrix

[x′y′]=[1ab1][xy]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} 1&a \\ b&1 \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix}

旋转 Rotate

一切旋转不作特别说明的,都是以原点(0,0)(0,0)为轴,逆时针(CCW)进行旋转。

[x′y′]=[costheta−sinthetasinthetacostheta][xy]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} \\cos \\theta & -\\sin \\theta \\ \\sin \\theta & \\cos \\theta \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix}

以上形式,我们称为线性变换

x′=ax+byx' = ax + by
y′=cx+dyy' = cx + dy


[x′y′]=[abcd][xy]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} a&b \\ c&d \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix}


x′=Mxx' = M x

平移 Translation

平移 (tx,ty)(t_x, t_y)的距离,则:

x′=x+txx' = x + t_x
y′=y+tyy' = y + t_y


[x′y′]=[abcd][xy]+[txty]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} a&b \\ c&d \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix} + \begin{bmatrix} t_x \\ t_y \end{bmatrix}

这是一个非线性变换{\color{red}{这是一个非线性变换}}

为了解决平移非线性变换的问题,使所有变换能统一计算。引入 齐次坐标 Homogenous Coordinates

齐次坐标 Homogenous Coordinates

添加一个坐标,称为:w-coordinate

对于二维来说:

  • 2D point = (x,y,1)T(x, y, {\color{red}{1}})^T
  • 2D vector = (x,y,0)T(x, y, {\color{red}{0}})^T

通过 w-coordinate 的结果是 1 或 0,来验证

  • vector + vector = vector
  • point - point = vector
  • point + vector = point
  • point + point = center point

在齐次坐标中,如果 (xyw)\begin{pmatrix} x \\ y \\ w \end{pmatrix} 是一个 2D 点,我们可以把 w-coordinate 归一,(x/wy/w1)\begin{pmatrix} x/w \\ y/w \\ 1 \end{pmatrix}, w≠0w \neq 0

平移

有了齐次坐标,平移就可以表示为:

(x′y′w′)=(10tx01ty001)cdot(xy1)=(x+txy+ty1)\begin{pmatrix} x' \\ y' \\ w' \end{pmatrix} = \begin{pmatrix} 1&0&t_x \\ 0&1&t_y \\ 0&0&1 \end{pmatrix} \\cdot \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} x+t_x \\ y+t_y \\ 1 \end{pmatrix}

仿射变换 Affine Transformations

仿射变换 = 线性变换 + 平移变换

(x′y′)=(abcd)cdot(xy)+(x′y′)\begin{pmatrix} x' \\ y' \end{pmatrix} = \begin{pmatrix} a&b \\ c&d \end{pmatrix} \\cdot \begin{pmatrix} x \\ y \end{pmatrix} + \begin{pmatrix} x' \\ y' \end{pmatrix}

使用齐次坐标

(x′y′1)=(abtxcdty001)cdot(xy1)\begin{pmatrix} x' \\ y' \\ 1 \end{pmatrix} = \begin{pmatrix} a&b&t_x \\ c&d&t_y \\ 0&0&1 \end{pmatrix} \\cdot \begin{pmatrix} x \\ y \\ 1 \end{pmatrix}

可以看出变换矩阵的最后一行,始终是 0 0 1

组合变换 Composite Transform

可以想象,使用旋转矩阵 R 和平移矩阵 T。先进行平移 T,再做旋转 R;和先进行旋转 R,再做平移 T,结果肯定是不一样的,既:RT≠TRRT \neq TR。 这也证明了,矩阵不满足交换律。(记住:旋转默认情况下以原点,逆时针进行)

一个复杂的组合变换:

(x′y′1)=AncdotcdotcdotA2cdotA1cdot(xy1)\begin{pmatrix} x' \\ y' \\ 1 \end{pmatrix} = A_n \\cdot \\cdot \\cdot A_2 \\cdot A_1 \\cdot \begin{pmatrix} x \\ y \\ 1 \end{pmatrix}

其中,AncdotcdotcdotA2cdotA1A_n \\cdot \\cdot \\cdot A_2 \\cdot A_1,是多个变换矩阵。

由于矩阵乘法满足分配律,且这些矩阵相乘,最终还是一个矩阵,所以,组合变换用一个矩阵就可以进行表示。

3D 变换

还是使用齐次坐标:

  • 3D point = (x,y,z,1)T(x, y, z, {\color{red}{1}})^T
  • 3D vector = (x,y,z,0)T(x, y, z, {\color{red}{0}})^T

一般地,(x,y,z,w)(w≠0)(x, y, z, w) (w \neq 0) ,代表 3 维坐标点:(x/w,y/w,z/w)(x/w, y/w, z/w)

3D 的仿射变换,使用 4×44 \times 4矩阵表示:

(x′y′z′1)=(abctxdeftyghitz0001)cdot(xyz1)\begin{pmatrix} x' \\ y' \\ z' \\ 1 \end{pmatrix} = \begin{pmatrix} a&b&c&t_x \\ d&e&f&t_y \\ g&h&i&t_z \\ 0&0&0&1 \end{pmatrix} \\cdot \begin{pmatrix} x \\ y \\ z \\ 1 \end{pmatrix}

顺序

从上面文章中平移的公式:

[x′y′]=[abcd][xy]+[txty]\begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} a&b \\ c&d \end{bmatrix} \begin{bmatrix} x \\ y\end{bmatrix} + \begin{bmatrix} t_x \\ t_y \end{bmatrix}

可以看出,先做线性变换,再做平移。


版权声明: 除非注明,本博文章均为原创,转载请以链接形式标明本文地址。