什么是仿射变换？
在数学、物理以及计算机科学的广阔领域中，仿射变换（Affine Transformation）是一个极其基础且强大的概念。简单来说，它是欧几里得空间中的一个变换，它可以保持“平直性”和“平行性”。这意味着，如果我们在变换前有一条直线，变换后它仍然是一条直线；如果两条直线在变换前是平行的，那么变换后它们依然平行。
“仿射变换不仅仅是线性变换的扩展，它是连接纯几何直观与代数计算的桥梁。” —— 线性代数导论
从更严谨的代数角度定义，设 是一个向量空间，一个映射 被称为仿射变换，如果存在一个线性变换 和一个向量 ，使得对于所有的 ，都有：
f(x) = L(x) + b
其中， 代表了旋转、缩放、剪切等线性操作，而 则代表了平移操作。这种分解揭示了仿射变换的原理及证明的核心逻辑：它将复杂的空间映射拆解为两个易于理解的步骤。
1.1 核心特征
- 保持共线性：变换前后的点依然在同一条直线上。
- 保持比例：直线上两点之间的距离比值在变换后保持不变（注意：绝对距离可能会变，但比例不变）。
- 保持平行性：平行线变换后依然平行。
仿射变换的几何原理
理解仿射变换的原理及证明，关键在于直观地想象空间是如何被扭曲的。我们可以将仿射变换视为对空间的“橡皮筋”操作，但这种操作有着严格的限制：它不能弯曲直线，也不能撕裂平面。
2.1 线性部分：空间的拉伸与旋转
线性变换部分 由一个矩阵 表示。想象一个单位正方形，经过线性变换后，它可能变成一个平行四边形。这个过程中：
- 旋转：整个空间围绕原点转动。
- 缩放：空间在某个方向上被拉长或压缩。
- 剪切：空间像一叠纸一样被推歪，角度发生变化但面积可能保持不变。
这部分决定了图形的“形状”变化。
2.2 平移部分：位置的移动
向量 的作用非常直接，它将经过线性变换后的整个空间沿着某个方向移动固定的距离。平移不改变图形的形状和大小，只改变其位置。这是线性变换无法做到的，因为线性变换必须将原点映射到原点。
2.3 为什么叫“仿射”？
“Affine”一词源于拉丁语，意为“相关”或“相似”。在几何学中，仿射几何是研究在仿射变换下保持不变的性质的学科。与欧几里得几何不同，仿射几何不关心角度和绝对距离，它只关心点、线、面之间的拓扑关系和比例关系。
仿射变换的严格数学证明
为了深入掌握仿射变换的原理及证明，我们需要从公理出发，证明一个保持共线点比例不变的映射必然是仿射变换。以下是经典的证明路径。
3.1 定义与公理
设 是一个映射。如果对于任意共线的三点 ，若 分线段 的比为 （即 ），则 分线段 的比也为 ，我们称 为仿射映射。
3.2 证明步骤
首先，我们可以通过构造特殊点来简化问题。虽然仿射变换不一定保持原点，但我们可以通过平移坐标系，将任意一点 设为新的原点。证明的关键在于展示 是一个线性变换。
令 。我们需要证明 且 。利用共线点比例保持的性质，可以构造平行四边形法则，证明向量加法在变换下依然成立。这是仿射变换的原理及证明中最核心的代数推导部分。
既然 是线性的，根据线性代数基本定理，存在一个矩阵 使得 。因此，。令 ，即得 。证毕。
3.3 不变量的证明
我们要证明仿射变换保持平行性。设两条直线 和 平行，意味着它们的方向向量相同，设为 。经过变换 后，新直线的方向向量变为 。由于方向向量依然相同，故变换后的直线依然平行。
矩阵表示与齐次坐标
在实际应用，特别是计算机图形学中，直接使用 的形式进行多次变换计算非常繁琐。为了解决这个问题，引入了齐次坐标（Homogeneous Coordinates）。
4.1 什么是齐次坐标？
在 维空间中，一个点 可以用 维向量 来表示。这个额外的 '1' 就是用于处理平移的关键。
4.2 2D 仿射变换矩阵
对于二维平面上的点 ，其仿射变换可以表示为一个 的矩阵乘法：
| 变换类型 | 矩阵形式 M | 说明 |
|---|---|---|
| 平移 (Translation) | 沿 x 轴移动 ，沿 y 轴移动 | |
| 缩放 (Scaling) | x 方向缩放 ，y 方向缩放 | |
| 旋转 (Rotation) | 逆时针旋转 角度 | |
| 剪切 (Shear) | x 方向受 y 值影响发生剪切 |
4.3 复合变换
通过矩阵乘法，我们可以轻松计算复合变换。例如，先旋转后平移，只需将对应的矩阵相乘即可。这体现了仿射变换在计算效率上的巨大优势。
仿射变换的多维应用
理解仿射变换的原理及证明的最终目的，是为了将其应用于解决实际问题。以下是几个关键领域的应用场景。
5.1 计算机图形学中的基石
在 OpenGL、DirectX 等图形 API 中，仿射变换是渲染管线的核心。每一个顶点的位置变换（Model-View-Projection Matrix）本质上都是一系列仿射变换的复合。
- 模型变换：将物体从局部坐标系移动到世界坐标系，涉及平移、旋转和缩放。
- 视图变换：模拟摄像机的移动，将世界坐标系转换为摄像机坐标系。
- 裁剪与投影：虽然投影通常涉及透视变换（非仿射），但在正交投影下，它退化为仿射变换。
5.2 机器学习中的数据增强
在训练卷积神经网络（CNN）时，为了防止过拟合并提高模型的鲁棒性，数据增强（Data Augmentation）是必不可少的手段。常见的增强技术包括：
- 随机裁剪与缩放：利用仿射变换改变图像的大小和位置。
- 随机旋转与剪切：模拟不同视角下的物体，增强模型对姿态变化的感知能力。
这些操作都是基于仿射变换的矩阵运算实现的，能够快速生成大量变体数据。
5.3 计算机视觉中的图像配准
在医学影像分析或卫星图像拼接中，需要将不同时间、不同角度拍摄的图像对齐，这一过程称为图像配准（Image Registration）。仿射变换常被用于校正图像的刚性变形和非刚性变形（局部仿射）。
通过寻找源图像和目标图像之间的特征点匹配，可以计算出最优的仿射变换矩阵，从而实现图像的精确重叠。