线性变换与仿射变换 点和向量的代数定义

[用抽象代数讨论仿射变换和仿射空间中的坐标变换] 是重新整理的，以下是之前的内容。

---

这里谈论的是计算机图形学中的内容，当然源自数学，但有的地方没有使用纯粹数学上的那种严格定义。

线性变换

抽象定义

域F上的向量空间V，任意的x、y∈V a∈F, 若 映射f: V->V满足
f(x+y)=f(x)+f(y)
f(ax)=af(x)
则映射f是一个线性变换。

矩阵表示

When V are finite dimensional, a general linear transformation can be written as a matrix multiplication only after specifying a vector space basis for V. http://mathworld.wolfram.com/LinearTransformation.html

ai∈F, xi∈V, i=1,2,…,n
则 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+…+anf(xn)

假设(e1,e2,…,en)是向量空间V的一组基底，
则xi可以唯一地表示成：xi1e1+xi2e2+…+xinen

行向量(xi1,xi2,…,xin)的转置记作(xi1,xi2,…,xin)’
记xi=(xi1,xi2,…,xin)’ ——（列向量形式的）坐标，以下不区分向量和它的坐标：

则
e1=(1,0,…,0)’
e2=(0,1,…,0)’
…
en=(0,0,…,1)’
（xi1,xi2,…,xin∈域F，1是域F的乘法幺元。）

则 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+…+anf(xn)
= ( f(x1),f(x2),…,f(xn) )(a1,a2,…,an)’

则 f(xi)=f( xi1e1+xi2e2+…+xinen )= (f(e1),f(e2),…,f(en))(xi1,xi2,…,xin)’
记(f(e1),f(e2),…,f(en))=M，则

f(xi) = Mxi
其中M=(f(e1),f(e2),…,f(en))
即线性变换由基底的变换唯一确定

仿射变换

仿射空间

域F上的向量空间V 和 非空集合A，对于任意的 p∈A v∈V，p+v ∈A，且：
①任意的 a b ∈V: (p+a)+b=p+(a+b)
②任意的q∈A，有且只有一个u∈V，使得 p+u = q
A中的元素就称为点，V中的元素称为向量（自由向量）

由②可以定义“点的减法”：
既然任意的p,q∈A, 存在唯一的u: p+u=q
那么定义q-p=u

仿射变换的抽象定义

映射 f : V∪A → V∪A 满足
①若p∈A, 则f(p)∈A
②若v∈V, 则f(v)∈V
且 任意的x、y∈V a∈域F: f(x+y)=f(x)+f(y), f(ax)=af(x)
③p∈A, v∈V, f(p+v) = f(p) + f(v) 即 q,p∈A, f(q)-f(p)=f(q-p)
f 就是仿射变换。

即 f 把向量变换成向量，把点变换成点，对向量的变换是线性变换，
对点和向量的加法也有合适的体现。
可见 仿射变换 包含 线性变换。

仿射变换的矩阵表示

随便从A中找一个点，记做Q，则A中任意的点p，存在唯一的向量v∈V，使得
p = Q + v
若V是有限维度的，给V指定一组基底，从而向量v具有坐标，
这时，Q叫做原点，v的坐标称为点p的坐标；易知原点Q的坐标是零。


任意的p∈A, f(p) = f(Q+v) = f(Q) + f(v)
因为 f 是V上的线性变换，所以 f(v) = Mv (M是矩阵)
记 f(Q) 的坐标为t
所以 f(p) = t + Mv
因为 p的坐标就是v的坐标，且用记号p,v既代表点和向量，也代表它们的坐标
所以 写成 f(p) = t + Mp

所以仿射变换的形式就是（p,v既代表点和向量，也代表它们的坐标）

若 v∈V, 则 f(v) = Mv
若 p∈A, 则 f(p) = Mp + t
其中M = (f(e1),f(e2),…,f(en)), t = f(Q)
即仿射变换由基底和原点的变换唯一确定

总结一下就是只要能写成坐标，就能用矩阵表示出来。

---

补充

仿射坐标

引入

仿射变换对点和向量有不同的形式，想把这两种形式统一起来

f(p)=Mp+t=Mp+t⋅1=(Mt)(p1 ) 
f(v)=Mv=Mv+t⋅0=(Mt)(v0 ) 

定义

p,v既代表点和向量，也代表它们的坐标；
定义 点的仿射坐标为 (p1 ) 
向量的仿射坐标为 (v0 ) 

使用仿射坐标的矩阵表示

希望有个矩阵A,

A(p1 )=(f(p)1 )A(v0 )=(f(v)0 ) 

用x代表v或p
用b代表0或1

A(xb )=(f(x)b ) 

现在已经知道

(Mt)(xb )=Mx+t⋅b=f(x) 

只需求n+1维行向量 (k_n, k)

(k n ,k)(xb )=b 

所以 (k_n, k) = (0, 1); 0代表n维零向量，
则

A=[M0 t1 ] 

这样仿射变换就能统一地表示成 Aa，更高维空间中的线性变换。
其中a=(xb )  b=0或1

仿射变换矩阵的逆

假设

[M0 t1 ][Nw ds ]=[I0 01 ] 

∵[0 1 ][Nw ds ]=[w s ] 

∴w=0s=1 

∴MN=IMd+st=Md+t=0 

∴[M0 t1 ] −1 =[M −1 0 −M −1 t1 ] 

平移变换

平移变换矩阵

v*=Mv
p*=Mp+t
平移变换的平移向量 为 c，则
M=I（单位矩阵），t = c
所以平移变换矩阵为

[I0 c1 ] 

平移变换矩阵的逆

[I0 −c1 ] 

平移与复合变换矩阵

①任意的仿射变换 都能看成 一系列变换之后 跟一个以 t 为平移向量的平移变换的复合( t 是该仿射变换的矩阵的前n行的最后一列)：

[I0 t1 ][M0 01 ]=[M0 t1 ] 

②平移变换的复合（平移变换矩阵的相乘）构成交换群。

[I0 v1 ][I0 t1 ]=[I0 t+v1 ] 

[I0 v1 ][M0 t1 ]=[M0 t+v1 ]