Articulo de referencia

Transformation matrix

In linear algebra , linear transformations can be represented by matrices . If T {\displaystyle T} is a linear transformation mapping R n {\displaystyle \mathbb {R} ^{n}} to R m...

In linear algebra, linear transformations can be represented by matrices. If T{\displaystyle T} is a linear transformation mapping Rn{\displaystyle \mathbb {R} ^{n}} to Rm{\displaystyle \mathbb {R} ^{m}} and x{\displaystyle \mathbf {x} } is a column vector with n{\displaystyle n} entries, then there exists an m×n{\displaystyle m\times n} matrix A{\displaystyle A}, called the transformation matrix of T{\displaystyle T},[1] such that: T(x)=Ax{\displaystyle T(\mathbf {x} )=A\mathbf {x} } Note that A{\displaystyle A} has m{\displaystyle m} rows and n{\displaystyle n} columns, whereas the transformation T{\displaystyle T} is from Rn{\displaystyle \mathbb {R} ^{n}} to Rm{\displaystyle \mathbb {R} ^{m}}. There are alternative expressions of transformation matrices involving row vectors that are preferred by some authors.[2][3]

Uses

Matrices allow arbitrary linear transformations to be displayed in a consistent format, suitable for computation.[1] This also allows transformations to be composed easily (by multiplying their matrices).

Linear transformations are not the only ones that can be represented by matrices. Some transformations that are non-linear on an n-dimensional Euclidean spaceRn can be represented as linear transformations on the n+1-dimensional space Rn+1. These include both affine transformations (such as translation) and projective transformations. For this reason, 4×4 transformation matrices are widely used in 3D computer graphics, as they allow to perform translation, scaling, and rotation of objects by repeated matrix multiplication. These n+1-dimensional transformation matrices are called, depending on their application, affine transformation matrices, projective transformation matrices, or more generally non-linear transformation matrices. With respect to an n-dimensional matrix, an n+1-dimensional matrix can be described as an augmented matrix.

In the physical sciences, an active transformation is one which actually changes the physical position of a system, and makes sense even in the absence of a coordinate system whereas a passive transformation is a change in the coordinate description of the physical system (change of basis). The distinction between active and passive transformations is important. By default, by transformation, mathematicians usually mean active transformations, while physicists could mean either.

Put differently, a passive transformation refers to description of the same object as viewed from two different coordinate frames.

Finding the matrix of a transformation

If one has a linear transformation T(x){\displaystyle T(x)} in functional form, it is easy to determine the transformation matrix A by transforming each of the vectors of the standard basis by T, then inserting the result into the columns of a matrix. In other words, A=[T(e1)T(e2)T(en)]{\displaystyle A={\begin{bmatrix}T(\mathbf {e} _{1})&T(\mathbf {e} _{2})&\cdots &T(\mathbf {e} _{n})\end{bmatrix}}}

For example, the function T(x)=5x{\displaystyle T(x)=5x} is a linear transformation. Applying the above process (suppose that n = 2 in this case) reveals that: T(x)=5x=5Ix=[5005]x{\displaystyle T(\mathbf {x} )=5\mathbf {x} =5I\mathbf {x} ={\begin{bmatrix}5&0\\0&5\end{bmatrix}}\mathbf {x} }

The matrix representation of vectors and operators depends on the chosen basis; a similar matrix will result from an alternate basis. Nevertheless, the method to find the components remains the same.

To elaborate, vector v{\displaystyle \mathbf {v} }can be represented in basis vectors, E=[e1e2en]{\displaystyle E={\begin{bmatrix}\mathbf {e} _{1}&\mathbf {e} _{2}&\cdots &\mathbf {e} _{n}\end{bmatrix}}} with coordinates [v]E=[v1v2vn]T{\displaystyle [\mathbf {v} ]_{E}={\begin{bmatrix}v_{1}&v_{2}&\cdots &v_{n}\end{bmatrix}}^{\mathrm {T} }}: v=v1e1+v2e2++vnen=iviei=E[v]E{\displaystyle \mathbf {v} =v_{1}\mathbf {e} _{1}+v_{2}\mathbf {e} _{2}+\cdots +v_{n}\mathbf {e} _{n}=\sum _{i}v_{i}\mathbf {e} _{i}=E[\mathbf {v} ]_{E}}

Now, express the result of the transformation matrix A upon v{\displaystyle \mathbf {v} }, in the given basis: A(v)=A(iviei)=iviA(ei)=[A(e1)A(e2)A(en)][v]E=A[v]E=[e1e2en][a1,1a1,2a1,na2,1a2,2a2,nan,1an,2an,n][v1v2vn]{\displaystyle {\begin{aligned}A(\mathbf {v} )&=A\left(\sum _{i}v_{i}\mathbf {e} _{i}\right)=\sum _{i}{v_{i}A(\mathbf {e} _{i})}\\&={\begin{bmatrix}A(\mathbf {e} _{1})&A(\mathbf {e} _{2})&\cdots &A(\mathbf {e} _{n})\end{bmatrix}}[\mathbf {v} ]_{E}=A\cdot [\mathbf {v} ]_{E}\\[3pt]&={\begin{bmatrix}\mathbf {e} _{1}&\mathbf {e} _{2}&\cdots &\mathbf {e} _{n}\end{bmatrix}}{\begin{bmatrix}a_{1,1}&a_{1,2}&\cdots &a_{1,n}\\a_{2,1}&a_{2,2}&\cdots &a_{2,n}\\\vdots &\vdots &\ddots &\vdots \\a_{n,1}&a_{n,2}&\cdots &a_{n,n}\\\end{bmatrix}}{\begin{bmatrix}v_{1}\\v_{2}\\\vdots \\v_{n}\end{bmatrix}}\end{aligned}}}

The ai,j{\displaystyle a_{i,j}} elements of matrix A are determined for a given basis E by applying A to every ej=[00(vj=1)0]T{\displaystyle \mathbf {e} _{j}={\begin{bmatrix}0&0&\cdots &(v_{j}=1)&\cdots &0\end{bmatrix}}^{\mathrm {T} }}, and observing the response vector Aej=a1,je1+a2,je2++an,jen=iai,jei.{\displaystyle A\mathbf {e} _{j}=a_{1,j}\mathbf {e} _{1}+a_{2,j}\mathbf {e} _{2}+\cdots +a_{n,j}\mathbf {e} _{n}=\sum _{i}a_{i,j}\mathbf {e} _{i}.}

This equation defines the wanted elements, ai,j{\displaystyle a_{i,j}}, of j-th column of the matrix A.[4]

Eigenbasis and diagonal matrix

Yet, there is a special basis for an operator in which the components form a diagonal matrix and, thus, multiplication complexity reduces to n. Being diagonal means that all coefficients ai,j{\displaystyle a_{i,j}} except ai,i{\displaystyle a_{i,i}} are zeros leaving only one term in the sum ai,jei{\textstyle \sum a_{i,j}\mathbf {e} _{i}} above. The surviving diagonal elements, ai,i{\displaystyle a_{i,i}}, are known as eigenvalues and designated with λi{\displaystyle \lambda _{i}} in the defining equation, which reduces to Aei=λiei{\displaystyle A\mathbf {e} _{i}=\lambda _{i}\mathbf {e} _{i}}. La ecuación resultante se conoce como ecuación de valores propios . [ 5 ] Los vectores propios y los valores propios se derivan de ella mediante el polinomio característico .

Mediante la diagonalización , a menudo es posible realizar traducciones desde y hacia bases propias.

Ejemplos en 2 dimensiones

Demostración de transformación matricial. Ajuste los números de la matriz para aplicar dicha transformación a la imagen.

Las transformaciones geométricas más comunes que mantienen el origen fijo son lineales, incluyendo rotación, escalado, cizallamiento, reflexión y proyección ortogonal. Si una transformación afín no es una traslación pura, mantiene algún punto fijo, y ese punto puede elegirse como origen para que la transformación sea lineal. En dos dimensiones, las transformaciones lineales pueden representarse mediante una matriz de transformación de 2×2.

Extensión

Un estiramiento en el plano xy es una transformación lineal que aumenta todas las distancias en una dirección determinada por un factor constante, pero no afecta las distancias en la dirección perpendicular. Solo consideramos estiramientos a lo largo de los ejes x e y. Un estiramiento a lo largo del eje x tiene la forma x' = kx ; y' = y para alguna constante positiva k . (Nótese que si k > 1 , entonces realmente se trata de un "estiramiento"; si k < 1 , técnicamente es una "compresión", pero aun así lo llamamos estiramiento. Además, si k = 1 , la transformación es una identidad, es decir, no tiene ningún efecto).

La matriz asociada a un estiramiento por un factor k a lo largo del eje x viene dada por: [k001]{\displaystyle {\begin{bmatrix}k&0\\0&1\end{bmatrix}}}

De manera similar, un estiramiento por un factor k a lo largo del eje y tiene la forma x' = x ; y' = ky , por lo que la matriz asociada con esta transformación es [100k]{\displaystyle {\begin{bmatrix}1&0\\0&k\end{bmatrix}}}

Apretando

Si los dos tramos anteriores se combinan con valores recíprocos, entonces la matriz de transformación representa un mapeo de compresión : [k001/k].{\displaystyle {\begin{bmatrix}k&0\\0&1/k\end{bmatrix}}.} Un cuadrado con lados paralelos a los ejes se transforma en un rectángulo que tiene la misma área que el cuadrado. El estiramiento y la compresión recíprocos dejan el área invariable.

Rotación

Para una rotación de un ángulo θ en sentido antihorario (dirección positiva) alrededor del origen, la forma funcional esincógnita=incógnitaporqueθypecadoθ{\displaystyle x'=x\cos \theta -y\sin \theta }yy=incógnitapecadoθ+yporqueθ{\displaystyle y'=x\sin \theta +y\cos \theta }. Escrito en forma matricial, esto se convierte en: [ 6 ][incógnitay]=[porqueθpecadoθpecadoθporqueθ][incógnitay]{\displaystyle {\begin{bmatrix}x'\\y'\end{bmatrix}}={\begin{bmatrix}\cos \theta &-\sin \theta \\\sin \theta &\cos \theta \end{bmatrix}}{\begin{bmatrix}x\\y\end{bmatrix}}}

De manera similar, para una rotación en sentido horario (dirección negativa) alrededor del origen, la forma funcional esincógnita=incógnitaporqueθ+ypecadoθ{\displaystyle x'=x\cos \theta +y\sin \theta }yy=incógnitapecadoθ+yporqueθ{\displaystyle y'=-x\sin \theta +y\cos \theta }La forma matricial es: [incógnitay]=[porqueθpecadoθpecadoθporqueθ][incógnitay]{\displaystyle {\begin{bmatrix}x'\\y'\end{bmatrix}}={\begin{bmatrix}\cos \theta &\sin \theta \\-\sin \theta &\cos \theta \end{bmatrix}}{\begin{bmatrix}x\\y\end{bmatrix}}}

Estas fórmulas suponen que el eje x apunta hacia la derecha y el eje y apunta hacia arriba.

Cizallamiento

Para el mapeo de corte (visualmente similar al de inclinación), existen dos posibilidades.

Un corte paralelo al eje x tieneincógnita=incógnita+ky{\displaystyle x'=x+ky}yy=y{\displaystyle y'=y}Escrito en forma matricial, esto se convierte en: [incógnitay]=[1k01][incógnitay]{\displaystyle {\begin{bmatrix}x'\\y'\end{bmatrix}}={\begin{bmatrix}1&k\\0&1\end{bmatrix}}{\begin{bmatrix}x\\y\end{bmatrix}}}

Un corte paralelo al eje y tieneincógnita=incógnita{\displaystyle x'=x}yy=y+kincógnita{\displaystyle y'=y+kx}, que tiene forma matricial: [incógnitay]=[10k1][incógnitay]{\displaystyle {\begin{bmatrix}x'\\y'\end{bmatrix}}={\begin{bmatrix}1&0\\k&1\end{bmatrix}}{\begin{bmatrix}x\\y\end{bmatrix}}}

Reflexión

Para reflexionar sobre una línea que pasa por el origen, dejemosl=(lincógnita,ly){\displaystyle \mathbf {l} =(l_{x},l_{y})}Sea un vector en la dirección de la línea. Entonces, la matriz de transformación es: A=1l2[ly2lincógnita22lincógnitaly2lincógnitalylincógnita2ly2]{\displaystyle \mathbf {A} ={\frac {1}{\lVert \mathbf {l} \rVert ^{2}}}{\begin{bmatrix}l_{y}^{2}-l_{x}^{2}&2l_{x}l_{y}\\2l_{x}l_{y}&l_{x}^{2}-l_{y}^{2}\end{bmatrix}}}

En 3 dimensiones, conl=(lincógnita,ly,lz){\displaystyle \mathbf {l} =(l_{x},l_{y},l_{z})}La matriz de transformación es:

A=1l2[ly2+lz2lincógnita22lincógnitaly2lincógnitalz2lylincógnitalincógnita2+lz2ly22lylz2lzlincógnita2lzlylincógnita2+ly2lz2]{\displaystyle \mathbf {A} ={\frac {1}{\lVert \mathbf {l} \rVert ^{2}}}{\begin{bmatrix}l_{y}^{2}+l_{z}^{2}-l_{x}^{2}&2l_{x}l_{y}&2l_{x}l_{z}\\2l_{y}l_{x}&l_{x}^{2}+l_{z}^{2}-l_{y}^{2}&2l_{y}l_{z}\\2l_{z}l_{x}&2l_{z}l_{y}&l_{x}^{2}+l_{y}^{2}-l_{z}^{2}\end{bmatrix}}}

Proyección ortogonal

Para proyectar un vector ortogonalmente sobre una línea que pasa por el origen, sea=(incógnita,y){\displaystyle \mathbf {u} =(u_{x},u_{y})}Sea un vector en la dirección de la línea. Entonces, la matriz de transformación es: A=12[incógnita2incógnitayincógnitayy2]{\displaystyle \mathbf {A} ={\frac {1}{\lVert \mathbf {u} \rVert ^{2}}}{\begin{bmatrix}u_{x}^{2}&u_{x}u_{y}\\u_{x}u_{y}&u_{y}^{2}\end{bmatrix}}}

Al igual que ocurre con las reflexiones, la proyección ortogonal sobre una línea que no pasa por el origen es una transformación afín, no lineal.

Las proyecciones paralelas también son transformaciones lineales y pueden representarse simplemente mediante una matriz. Sin embargo, las proyecciones en perspectiva no lo son, y para representarlas con una matriz, se pueden utilizar coordenadas homogéneas .

Ejemplos en 3 dimensiones

Rotación

La matriz para rotar un ángulo θ alrededor de cualquier eje definido por el vector unitario ( x , y , z ) es [ 7 ].[incógnitaincógnita(1porqueθ)+porqueθyincógnita(1porqueθ)zpecadoθzincógnita(1porqueθ)+ypecadoθincógnitay(1porqueθ)+zpecadoθyy(1porqueθ)+porqueθzy(1porqueθ)incógnitapecadoθincógnitaz(1porqueθ)ypecadoθyz(1porqueθ)+incógnitapecadoθzz(1porqueθ)+porqueθ].{\displaystyle {\begin{bmatrix}xx(1-\cos \theta )+\cos \theta &yx(1-\cos \theta )-z\sin \theta &zx(1-\cos \theta )+y\sin \theta \\xy(1-\cos \theta )+z\sin \theta &yy(1-\cos \theta )+\cos \theta &zy(1-\cos \theta )-x\sin \theta \\xz(1-\cos \theta )-y\sin \theta &yz(1-\cos \theta )+x\sin \theta &zz(1-\cos \theta )+\cos \theta \end{bmatrix}}.}

Reflexión

Reflejar un punto a través de un planoaincógnita+by+doz=0{\displaystyle ax+by+cz=0}(que pasa por el origen), uno puede usarA=I2nortenorteT{\displaystyle \mathbf {A} =\mathbf {I} -2\mathbf {NN} ^{\mathrm {T} }}, dóndeI{\displaystyle \mathbf {I} }es la matriz identidad de 3×3 ynorte{\displaystyle \mathbf {N} }es el vector unitario tridimensional para el vector normal del plano. Si la norma L2 dea{\displaystyle a},b{\displaystyle b}, ydo{\displaystyle c}Si la matriz de transformación es unitaria, se puede expresar como: A=[12a22ab2ado2ab12b22bdo2ado2bdo12do2]{\displaystyle \mathbf {A} ={\begin{bmatrix}1-2a^{2}&-2ab&-2ac\\-2ab&1-2b^{2}&-2bc\\-2ac&-2bc&1-2c^{2}\end{bmatrix}}}

Nótese que estos son casos particulares de una reflexión de Householder en dos y tres dimensiones. Una reflexión respecto a una línea o plano que no pasa por el origen no es una transformación lineal, sino una transformación afín . Como matriz de transformación afín de 4×4, se puede expresar de la siguiente manera (suponiendo que la normal es un vector unitario): [incógnitayz1]=[12a22ab2ado2ad2ab12b22bdo2bd2ado2bdo12do22dod0001][incógnitayz1]{\displaystyle {\begin{bmatrix}x'\\y'\\z'\\1\end{bmatrix}}={\begin{bmatrix}1-2a^{2}&-2ab&-2ac&-2ad\\-2ab&1-2b^{2}&-2bc&-2bd\\-2ac&-2bc&1-2c^{2}&-2cd\\0&0&0&1\end{bmatrix}}{\begin{bmatrix}x\\y\\z\\1\end{bmatrix}}} dónded=pagnorte{\displaystyle d=-\mathbf {p} \cdot \mathbf {N} }por algún momentopag{\displaystyle \mathbf {p} }en el avión, o equivalentemente,aincógnita+by+doz+d=0{\displaystyle ax+by+cz+d=0}.

Si la cuarta componente del vector es 0 en lugar de 1, solo se refleja su dirección y su magnitud permanece inalterada, como si se reflejara en un plano paralelo que pasa por el origen. Esta propiedad resulta útil, ya que permite transformar tanto vectores de posición como vectores normales con la misma matriz. Consulte la sección sobre coordenadas homogéneas y transformaciones afines a continuación para obtener más información.

Componer e invertir transformaciones

Una de las principales motivaciones para utilizar matrices en la representación de transformaciones lineales es que, de este modo, las transformaciones pueden componerse e invertirse fácilmente.

La composición se realiza mediante la multiplicación de matrices . Las matrices operan sobre vectores fila y columna , las filas a la izquierda y las columnas a la derecha. Dado que el texto se lee de izquierda a derecha, se prefieren los vectores columna al componer matrices de transformación.

Si A y B son las matrices de dos transformaciones lineales, entonces el efecto de aplicar primero A y luego B a un vector columna esincógnita{\displaystyle \mathbf {x} }está dado por: B(Aincógnita)=(BA)incógnita.{\displaystyle \mathbf {B} (\mathbf {A} \mathbf {x} )=(\mathbf {BA} )\mathbf {x} .}

En otras palabras, la matriz de la transformación combinada A seguida de B es simplemente el producto de las matrices individuales.

Cuando A es una matriz invertible, existe una matriz A −1 que representa una transformación que "deshace" A , ya que su composición con A es la matriz identidad . En algunas aplicaciones prácticas, la inversión se puede calcular utilizando algoritmos de inversión generales o realizando operaciones inversas (que tienen una interpretación geométrica obvia, como rotar en sentido contrario) y luego componiéndolas en orden inverso. Las matrices de reflexión son un caso especial porque son sus propias inversas y no necesitan calcularse por separado.

Otros tipos de transformaciones

transformaciones afines

Efecto de aplicar diversas matrices de transformación afín bidimensionales a un cuadrado unitario. Cabe destacar que las matrices de reflexión son casos especiales de la matriz de escala.
Las transformaciones afines en el plano 2D pueden realizarse en tres dimensiones. La traslación se realiza mediante un corte paralelo al plano xy, y la rotación se realiza alrededor del eje z.

Para representar transformaciones afines con matrices, podemos usar coordenadas homogéneas . Esto significa representar un vector de 2 dimensiones ( x , y ) como un vector de 3 dimensiones ( x , y , 1), y de forma similar para dimensiones superiores. Usando este sistema, la traslación se puede expresar con multiplicación de matrices. La forma funcionalincógnita=incógnita+tincógnita;y=y+ty{\displaystyle x'=x+t_{x};y'=y+t_{y}}se convierte en: [incógnitay1]=[10tincógnita01ty001][incógnitay1].{\displaystyle {\begin{bmatrix}x'\\y'\\1\end{bmatrix}}={\begin{bmatrix}1&0&t_{x}\\0&1&t_{y}\\0&0&1\end{bmatrix}}{\begin{bmatrix}x\\y\\1\end{bmatrix}}.}

Todas las transformaciones lineales ordinarias se incluyen en el conjunto de transformaciones afines y pueden describirse como una forma simplificada de estas. Por lo tanto, cualquier transformación lineal también puede representarse mediante una matriz de transformación general. Esta última se obtiene expandiendo la matriz de transformación lineal correspondiente con una fila y una columna, rellenando el espacio adicional con ceros, excepto en la esquina inferior derecha, que debe establecerse en 1. Por ejemplo, la matriz de rotación en sentido antihorario anterior se convierte en: [porqueθpecadoθ0pecadoθporqueθ0001]{\displaystyle {\begin{bmatrix}\cos \theta &-\sin \theta &0\\\sin \theta &\cos \theta &0\\0&0&1\end{bmatrix}}}

Utilizando matrices de transformación que contienen coordenadas homogéneas, las traslaciones se vuelven lineales y, por lo tanto, pueden mezclarse sin problemas con todos los demás tipos de transformaciones. La razón es que el plano real se mapea al plano w = 1 en el espacio proyectivo real, por lo que la traslación en el espacio euclidiano real puede representarse como un corte en el espacio proyectivo real. Aunque una traslación es una transformación no lineal en un espacio euclidiano de 2D o 3D descrito por coordenadas cartesianas (es decir, no puede combinarse con otras transformaciones conservando la conmutatividad y otras propiedades), se convierte , en un espacio proyectivo de 3D o 4D descrito por coordenadas homogéneas, en una simple transformación lineal (un corte ).

Se pueden obtener transformaciones más afines mediante la composición de dos o más transformaciones afines. Por ejemplo, dada una traslación T' con vector(tincógnita,ty),{\displaystyle (t'_{x},t'_{y}),}una rotación R por un ángulo θ en sentido antihorario , una escala S con factores(sincógnita,sy){\displaystyle (s_{x},s_{y})}y una traslación T del vector(tincógnita,ty),{\displaystyle (t_{x},t_{y}),}El resultado M de T'RST es: [ 8 ][sincógnitaporqueθsypecadoθtincógnitasincógnitaporqueθtysypecadoθ+tincógnitasincógnitapecadoθsyporqueθtincógnitasincógnitapecadoθ+tysyporqueθ+ty001]{\displaystyle {\begin{bmatrix}s_{x}\cos \theta &-s_{y}\sin \theta &t_{x}s_{x}\cos \theta -t_{y}s_{y}\sin \theta +t'_{x}\\s_{x}\sin \theta &s_{y}\cos \theta &t_{x}s_{x}\sin \theta +t_{y}s_{y}\cos \theta +t'_{y}\\0&0&1\end{bmatrix}}}

Al utilizar transformaciones afines, la componente homogénea de un vector de coordenadas (normalmente llamada w ) nunca se modifica. Por lo tanto, se puede asumir con seguridad que siempre es 1 e ignorarla. Sin embargo, esto no se cumple al utilizar proyecciones en perspectiva.

Proyección en perspectiva

Comparación de los efectos de aplicar matrices de transformación afines y de perspectiva en 2D sobre un cuadrado unitario.

Otro tipo de transformación, importante en los gráficos 3D por computadora , es la proyección en perspectiva . Mientras que las proyecciones paralelas se utilizan para proyectar puntos en el plano de la imagen a lo largo de líneas paralelas, la proyección en perspectiva proyecta puntos en el plano de la imagen a lo largo de líneas que parten de un único punto, llamado centro de proyección. Esto significa que un objeto tiene una proyección menor cuando está lejos del centro de proyección y una proyección mayor cuando está más cerca (véase también la función recíproca ).

La proyección de perspectiva más simple utiliza el origen como centro de proyección y el plano enz=1{\displaystyle z=1}como el plano de la imagen. La forma funcional de esta transformación es entoncesincógnita=incógnita/z{\displaystyle x'=x/z};y=y/z{\displaystyle y'=y/z}Podemos expresar esto en coordenadas homogéneas como: [incógnitadoydozdowdo]=[1000010000100010][incógnitayz1]=[incógnitayzz]{\displaystyle {\begin{bmatrix}x_{c}\\y_{c}\\z_{c}\\w_{c}\end{bmatrix}}={\begin{bmatrix}1&0&0&0\\0&1&0&0\\0&0&1&0\\0&0&1&0\end{bmatrix}}{\begin{bmatrix}x\\y\\z\\1\end{bmatrix}}={\begin{bmatrix}x\\y\\z\\z\end{bmatrix}}}

Después de realizar la multiplicación de matrices , el componente homogéneowdo{\displaystyle w_{c}}será igual al valor dez{\displaystyle z}y los otros tres no cambiarán. Por lo tanto, para volver al plano real debemos realizar la división homogénea o división de perspectiva dividiendo cada componente porwdo{\displaystyle w_{c}}: [incógnitayz1]=1wdo[incógnitadoydozdowdo]=[incógnita/zy/z11]{\displaystyle {\begin{bmatrix}x'\\y'\\z'\\1\end{bmatrix}}={\frac {1}{w_{c}}}{\begin{bmatrix}x_{c}\\y_{c}\\z_{c}\\w_{c}\end{bmatrix}}={\begin{bmatrix}x/z\\y/z\\1\\1\end{bmatrix}}}

Se pueden crear proyecciones de perspectiva más complejas combinando esta con rotaciones, escalas, traslaciones y deformaciones para mover el plano de la imagen y el centro de proyección donde se desee.

Véase también

Referencias

  1. 1 2 Gentle, James E. (2007). "Transformaciones y factorizaciones de matrices" . Álgebra matricial: teoría, cálculos y aplicaciones en estadística . Springer. ISBN 9780387708737.
  2. Rafael Artzy (1965) Geometría lineal
  3. JWP Hirschfeld (1979) Geometría proyectiva de campos finitos , Clarendon Press
  4. Nearing, James (2010). «Capítulo 7.3 Ejemplos de operadores» (PDF) . Herramientas matemáticas para la física . ISBN 978-0486482125. Consultado el 1 de enero de 2012 .
  5. Nearing, James (2010). «Capítulo 7.9: Autovalores y autovectores» (PDF) . Herramientas matemáticas para la física . ISBN 978-0486482125. Consultado el 1 de enero de 2012 .
  6. "Matriz de rotación - Wolfram MathWorld" . mathworld.wolfram.com . Consultado el 23 de mayo de 2026 .
  7. Szymanski, John E. (1989). Matemáticas básicas para ingenieros electrónicos: modelos y aplicaciones . Taylor & Francis. pág. 154. ISBN  0278000681.
  8. Cédric Jules (25 de febrero de 2015). "Matrices de transformación 2D horneando" .
  • La página de Matrix: Ejemplos prácticos en POV-Ray
  • Página de referencia - Rotación de ejes
  • Calculadora de transformación lineal
  • Applet de transformación : genera matrices a partir de transformaciones 2D y viceversa.
  • Transformación de coordenadas bajo rotación en 2D
  • Diversión con Excel: crea gráficos 3D a partir de una hoja de cálculo.