AI理论知识基础（23）-齐次坐标

所谓齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示。例如，二维点(x,y)的齐次坐标表示为(hx,hy,h)。由此可以看出，一个向量的齐次表示是不唯一的，齐次坐标的h取不同的值都表示的是同一个点，比如齐次坐标(8,4,2)、(4,2,1)表示的都是二维点(4,2)。

(1, 4, 7)如果写成（1,4,7,0），它就是个向量；如果是(1,4,7,1)，它就是个点。下面是如何在普通坐标(Ordinary Coordinate)和齐次坐标(Homogeneous Coordinate)之间进行转换：

(1)从普通坐标转换成齐次坐标时

如果(x,y,z)是个点，则变为(x,y,z,1);

如果(x,y,z)是个向量，则变为(x,y,z,0)

(2)从齐次坐标转换成普通坐标时

如果是(x,y,z,1)，则知道它是个点，变成(x,y,z);

此外，对于一个普通坐标的点P=(Px, Py, Pz)，有对应的一族齐次坐标(wPx, wPy, wPz, w)，其中w不等于零。比如，P(1, 4, 7)的齐次坐标有(1, 4, 7, 1)、（2, 8, 14, 2）、（-0.1, -0.4, -0.7, -0.1）等等。因此，如果把一个点从普通坐标变成齐次坐标，给x,y,z乘上同一个非零数w，然后增加第4个分量w；如果把一个齐次坐标转换成普通坐标，把前三个坐标同时除以第4个坐标，然后去掉第4个分量。

由于齐次坐标使用了4个分量来表达3D概念，使得平移变换可以使用矩阵进行，从而如F.S. Hill, JR所说，仿射（线性）变换的进行更加方便。由于图形硬件已经普遍地支持齐次坐标与矩阵乘法，因此更加促进了齐次坐标使用，使得它似乎成为图形学中的一个标准

AI理论知识基础（23）-齐次坐标相关推荐

AI理论知识基础（26）-相对熵,KL散度
相对熵(relative entropy),又被称为 KL散度.Kullback-Leibler散度(Kullback-Leibler divergence)或信息散度(information div ...
AI理论知识基础（26）-机器学习常见损失函数，共轭梯度法（2）
机器学习常见损失函数, 共轭梯度法(2)
AI理论知识基础（25）-机器学习常见损失函数，共轭梯度法（1）
AI理论知识基础（24）-凸函数
AI理论知识基础（22）-逻辑斯蒂映射-伪随机数
此外, 逻辑斯蒂(logistic)回归又称logistic回归分析,主要在流行病学中应用较多,比较常用的情形是探索某疾病的危险因素,根据危险因素预测某疾病发生的概率,等等.例如,想探讨胃癌发生的危险 ...
AI理论知识基础（21)-对变化建模-用差分方程-动力系统及常数解
AI理论知识基础（20）-线性变换（2），转换矩阵，相似矩阵，坐标向量
AI理论知识基础（19）-线性变换(1)
AI理论知识整理（18）-内积与范数

AI理论知识基础（23）-齐次坐标

AI理论知识基础（23）-齐次坐标相关推荐

最新文章

热门文章