0 前言
现在的人脸图像识别流程中有一个步骤叫人脸对齐，现在的一般方法是采用人脸上的关键点坐标，进行相似变换来实现人脸校正。多次在人脸识别的论文中看到 similarity transform，由于在线代和矩阵分析的课上一直划水。对相似变换也是一知半解，今天决定不惜一下相关的知识。大部分的内容都是参考网上大神的，这里只是做个整理。下面的阐述主要以二维坐标为例，多维空间的左边点，可以通过增加变换矩阵的维度得知。
1 变换矩阵
假如二维空间中存在点(x,y),我们想通过将x移动a，y移动b，得到新的坐标点(x’,y’),那么变换的公式可以写为：
KaTeX parse error: Expected 'EOF', got '&' at position 32: …+ay′=y+b x&̲#x27;= x + a \\…⎣⎡x′y′1⎦⎤=⎣⎡100010ab1⎦⎤⎣⎡xy1⎦⎤
上式中等号后面的矩阵即为变换矩阵。为了使用矩阵表示平移变换，需要将坐标的维度增加一维，因为二维的矩阵没有办法表示平移变换，这叫做齐次坐标。
齐次坐标: 使用N+1维坐标来表示N维坐标，例如在2D笛卡尔坐标系中加上额外变量w来形成2D齐次坐标系(x,y)⇒(x,y,w) 。齐次坐标具有规模不变性，同一点可以被无数个齐次坐标表达.(x,y,1)⇒(ax,ay,a) 齐次坐标转化为笛卡尔坐标可以通过同除最后一项得到。
在计算机图形学中，为了统一将平移、旋转、缩放等用矩阵表示，需要引入齐次坐标。（假设使用2x2的矩阵，是没有办法描述平移操作的，只有引入3x3矩阵形式，才能统一描述二维中的平移、旋转、缩放操作。同理必须使用4x4的矩阵才能统一描述三维的变换。
同样的我们可以使用矩阵来表示，缩放变换，旋转变换，相似变换，仿射变换和投影变换。
2 刚性变换
刚性变换： 只有物体的位置(平移变换)和朝向(旋转变换)发生改变，而形状不变，得到的变换称为刚性变换。刚性变换是最一般的变换。
2.1 平移变换
平移变换我们在上面已经提到过
2.2 旋转变换
旋转变换的变换矩阵，不像平移变换那么容易得到，我们这里介绍一下，旋转变换的变换矩阵是怎么求出来的。
2.2.1 绕原点的二维旋转
首先要明确旋转在二维中是绕着某一个点进行旋转，三维中是绕着某一个轴进行旋转。二维旋转中最简单的场景是绕着坐标原点进行的旋转，如下图所示：
2.2.3 绕任意点的二维旋转
绕原点的旋转是二维旋转最基本的情况，当我们需要进行绕任意点旋转时，我们可以把这种情况转换到绕原点的旋转，思路如下：
- 首先将旋转点移动到原点处
- 执行如2所描述的绕原点的旋转
- 再将旋转点移回到原来的位置
对于二维平移，如下图所示，P点经过x和y方向的平移到P’点，可以得到：
2.3 等距变换
等距变换相当于是平移变换和旋转变换的复合，用R表示变换矩阵，即为 ：
左上角2×2矩阵为旋转部分，tx和ty为平移因子，它有三个*度，即旋转，x方向平移，y方向平移。等距变换前后长度，面积，线段之间的夹角都不变。
3 相似变换
在介绍相似变换之前先介绍两个简单的变换，缩放变换和切向变换。
3.1 缩放变换
3.2 切向变换
3.3 相似变换
相似变换相当于是等距变换和均匀缩放的一个复合，用S表示变换矩阵，即为
左上角2×2矩阵为旋转部分，tx和ty为平移因子，它有4个*度，即旋转，x方向平移，y方向平移和缩放因子s。相似变换前后长度比，夹角，虚圆点I,J保持不变。相似变换其实与相似三角形之间是有类似的。
4 仿射变换
仿射变换和相似变换近似，不同之处在于相似变换具有单一旋转因子和单一缩放因子，仿射变换具有两个旋转因子和两个缩放因子，因此具有6个*度。不具有保角性和保持距离比的性质，但是原图平行线变换后仍然是平行线。仿射变换主要包括平移变换、旋转变换、缩放变换（也叫尺度变换）、倾斜变换（也叫错切变换、剪切变换、偏移变换）、翻转变换，有六个*度。
仿射变换的表示如下：
仿射变换的特点如下：
仿射变换保持二维图形的“平直性”和“平行性”，但是角度会改变。
“平直性”：变换后直线还是直线、圆弧还是圆弧。
“平行性”：平行线还是平行线，直线上点的位置顺序不变。
它有6个*度，即旋转4个，也就是前述大矩形的4个元素都可以同时改变，x方向平移，y方向平移。它能保持平行性，不能保持垂直性，Image中各部分变换前后面积比保持不变，共线线段或者平行线段的长度比保持不变，矢量的线性组合不变。
5 投影变换
在这里需要明晰一下的是，透视变换(Perspective Transformation)也称作投影变换(Projective Transformation)、射影变换。
射影变换：是最一般的线性变换。有8个*度。射影变换保持重合关系和交比不变。但不会保持平行性。即它会使得仿射变换产生非线性效应。
射影变换组成了一个群，这个群被称为射影变换群，n×n可逆实矩阵称为一般线性群GL(n)，当把相差非零纯量因子的矩阵都视为等同时，便得到射影映射群，记为PL(n)。在平面，射影变换为PL(3)。
仿射变换和射影变换的区别：
其中当上面矩阵的最后一行为（0，0，1）时的变换就为仿射变换，在仿射的前提下，当左上角2×2矩阵正交时为欧式变换，左上角矩阵行列式为1时为定向欧式变换。所以射影变换包含仿射变换，而仿射变换包含欧式变换。
至此我们得到了射影变换和仿射变换的关系。
6 解析变换矩阵
变换矩阵可以分为如下几个部分：
其中大矩形中的4个元素组成的整体表示线性变换，比如scaling（尺度），shearing（剪切）和ratotion（旋转）；椭圆部分表示平移的参数，一个确定在x方向上的平移一个确定在y方向上的平移；小矩形部分用于产生透视变换。从这里所以可以理解成仿射等是透视变换的特殊形式。其实不管是仿射变换是透视变换的特殊形式，其他所有的变换都是透视变换的变换矩阵取特殊值的特殊形式。
最后再补充一些名词上的解释：
projective transformation(投影变换) = homography(单应性变换) = collineation( 直射变换).
参考博客：
转自：https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css
0 前言
现在的人脸图像识别流程中有一个步骤叫人脸对齐，现在的一般方法是采用人脸上的关键点坐标，进行相似变换来实现人脸校正。多次在人脸识别的论文中看到 similarity transform，由于在线代和矩阵分析的课上一直划水。对相似变换也是一知半解，今天决定不惜一下相关的知识。大部分的内容都是参考网上大神的，这里只是做个整理。下面的阐述主要以二维坐标为例，多维空间的左边点，可以通过增加变换矩阵的维度得知。
1 变换矩阵
假如二维空间中存在点(x,y),我们想通过将x移动a，y移动b，得到新的坐标点(x’,y’),那么变换的公式可以写为：
KaTeX parse error: Expected 'EOF', got '&' at position 32: …+ay′=y+b x&̲#x27;= x + a \\…⎣⎡x′y′1⎦⎤=⎣⎡100010ab1⎦⎤⎣⎡xy1⎦⎤
上式中等号后面的矩阵即为变换矩阵。为了使用矩阵表示平移变换，需要将坐标的维度增加一维，因为二维的矩阵没有办法表示平移变换，这叫做齐次坐标。
齐次坐标: 使用N+1维坐标来表示N维坐标，例如在2D笛卡尔坐标系中加上额外变量w来形成2D齐次坐标系(x,y)⇒(x,y,w) 。齐次坐标具有规模不变性，同一点可以被无数个齐次坐标表达.(x,y,1)⇒(ax,ay,a) 齐次坐标转化为笛卡尔坐标可以通过同除最后一项得到。
在计算机图形学中，为了统一将平移、旋转、缩放等用矩阵表示，需要引入齐次坐标。（假设使用2x2的矩阵，是没有办法描述平移操作的，只有引入3x3矩阵形式，才能统一描述二维中的平移、旋转、缩放操作。同理必须使用4x4的矩阵才能统一描述三维的变换。
同样的我们可以使用矩阵来表示，缩放变换，旋转变换，相似变换，仿射变换和投影变换。
2 刚性变换
刚性变换： 只有物体的位置(平移变换)和朝向(旋转变换)发生改变，而形状不变，得到的变换称为刚性变换。刚性变换是最一般的变换。
2.1 平移变换
平移变换我们在上面已经提到过
2.2 旋转变换
旋转变换的变换矩阵，不像平移变换那么容易得到，我们这里介绍一下，旋转变换的变换矩阵是怎么求出来的。
2.2.1 绕原点的二维旋转
首先要明确旋转在二维中是绕着某一个点进行旋转，三维中是绕着某一个轴进行旋转。二维旋转中最简单的场景是绕着坐标原点进行的旋转，如下图所示：
2.2.3 绕任意点的二维旋转
绕原点的旋转是二维旋转最基本的情况，当我们需要进行绕任意点旋转时，我们可以把这种情况转换到绕原点的旋转，思路如下：
- 首先将旋转点移动到原点处
- 执行如2所描述的绕原点的旋转
- 再将旋转点移回到原来的位置
对于二维平移，如下图所示，P点经过x和y方向的平移到P’点，可以得到：
2.3 等距变换
等距变换相当于是平移变换和旋转变换的复合，用R表示变换矩阵，即为 ：
左上角2×2矩阵为旋转部分，tx和ty为平移因子，它有三个*度，即旋转，x方向平移，y方向平移。等距变换前后长度，面积，线段之间的夹角都不变。
3 相似变换
在介绍相似变换之前先介绍两个简单的变换，缩放变换和切向变换。
3.1 缩放变换
3.2 切向变换
3.3 相似变换
相似变换相当于是等距变换和均匀缩放的一个复合，用S表示变换矩阵，即为
左上角2×2矩阵为旋转部分，tx和ty为平移因子，它有4个*度，即旋转，x方向平移，y方向平移和缩放因子s。相似变换前后长度比，夹角，虚圆点I,J保持不变。相似变换其实与相似三角形之间是有类似的。
4 仿射变换
仿射变换和相似变换近似，不同之处在于相似变换具有单一旋转因子和单一缩放因子，仿射变换具有两个旋转因子和两个缩放因子，因此具有6个*度。不具有保角性和保持距离比的性质，但是原图平行线变换后仍然是平行线。仿射变换主要包括平移变换、旋转变换、缩放变换（也叫尺度变换）、倾斜变换（也叫错切变换、剪切变换、偏移变换）、翻转变换，有六个*度。
仿射变换的表示如下：
仿射变换的特点如下：
仿射变换保持二维图形的“平直性”和“平行性”，但是角度会改变。
“平直性”：变换后直线还是直线、圆弧还是圆弧。
“平行性”：平行线还是平行线，直线上点的位置顺序不变。
它有6个*度，即旋转4个，也就是前述大矩形的4个元素都可以同时改变，x方向平移，y方向平移。它能保持平行性，不能保持垂直性，Image中各部分变换前后面积比保持不变，共线线段或者平行线段的长度比保持不变，矢量的线性组合不变。
5 投影变换
在这里需要明晰一下的是，透视变换(Perspective Transformation)也称作投影变换(Projective Transformation)、射影变换。
射影变换：是最一般的线性变换。有8个*度。射影变换保持重合关系和交比不变。但不会保持平行性。即它会使得仿射变换产生非线性效应。
射影变换组成了一个群，这个群被称为射影变换群，n×n可逆实矩阵称为一般线性群GL(n)，当把相差非零纯量因子的矩阵都视为等同时，便得到射影映射群，记为PL(n)。在平面，射影变换为PL(3)。
仿射变换和射影变换的区别：
其中当上面矩阵的最后一行为（0，0，1）时的变换就为仿射变换，在仿射的前提下，当左上角2×2矩阵正交时为欧式变换，左上角矩阵行列式为1时为定向欧式变换。所以射影变换包含仿射变换，而仿射变换包含欧式变换。
至此我们得到了射影变换和仿射变换的关系。
6 解析变换矩阵
变换矩阵可以分为如下几个部分：
其中大矩形中的4个元素组成的整体表示线性变换，比如scaling（尺度），shearing（剪切）和ratotion（旋转）；椭圆部分表示平移的参数，一个确定在x方向上的平移一个确定在y方向上的平移；小矩形部分用于产生透视变换。从这里所以可以理解成仿射等是透视变换的特殊形式。其实不管是仿射变换是透视变换的特殊形式，其他所有的变换都是透视变换的变换矩阵取特殊值的特殊形式。
最后再补充一些名词上的解释：
projective transformation(投影变换) = homography(单应性变换) = collineation( 直射变换).
参考博客：