欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  移动技术

深入理解Android Matrix理论与使用的详解

程序员文章站 2023-11-20 18:19:16
以前在线性代数中学习了矩阵,对矩阵的基本运算有一些了解,前段时间在使用gdi+的时候再次学习如何使用矩阵来变化图像,看了之后在这里总结说明。首先大家看看下面这个3 x 3的...

以前在线性代数中学习了矩阵,对矩阵的基本运算有一些了解,前段时间在使用gdi+的时候再次学习如何使用矩阵来变化图像,看了之后在这里总结说明。
首先大家看看下面这个3 x 3的矩阵,这个矩阵被分割成4部分。为什么分割成4部分,在后面详细说明。

深入理解Android Matrix理论与使用的详解

首先给大家举个简单的例子:现设点p0(x0, y0)进行平移后,移到p(x,y),其中x方向的平移量为△x,y方向的平移量为△y,那么,点p(x,y)的坐标为:
x = x0  + △x 
y = y0  + △y
采用矩阵表达上述如下: 
深入理解Android Matrix理论与使用的详解

上述也类似与图像的平移,通过上述矩阵我们发现,只需要修改矩阵右上角的2个元素就可以了。
我们回头看上述矩阵的划分: 
深入理解Android Matrix理论与使用的详解

为了验证上面的功能划分,我们举个具体的例子:现设点p0(x0 ,y0)进行平移后,移到p(x,y),其中x放大a倍,y放大b倍,

矩阵就是:深入理解Android Matrix理论与使用的详解,按照类似前面“平移”的方法就验证。

图像的旋转稍微复杂:现设点p0(x0, y0)旋转θ角后的对应点为p(x, y)。通过使用向量,我们得到如下:
x0 = r cosα 
y0 = r sinα
x = r cos(α+θ) = x0 cosθ - y0 sinθ 
y = r sin(α+θ) = x0 sinθ + y0 cosθ

于是我们得到矩阵:深入理解Android Matrix理论与使用的详解

如果图像围绕着某个点(a ,b)旋转呢?则先要将坐标平移到该点,再进行旋转,然后将旋转后的图像平移回到原来的坐标原点,在后面的篇幅中我们将详细介绍。

matrix学习——如何使用matrix

本篇幅我们就结合android 中的android.graphics.matrix来具体说明,还记得我们前面说的图像旋转的矩阵:

深入理解Android Matrix理论与使用的详解

从最简单的旋转90度的是:

深入理解Android Matrix理论与使用的详解

在android.graphics.matrix中有对应旋转的函数: 
matrix matrix = new matrix(); 
matrix.setrotate(90); 
test.log(maxtrix_tag,”setrotate(90):%s” , matrix.tostring());

深入理解Android Matrix理论与使用的详解

查看运行后的矩阵的值(通过log输出):

深入理解Android Matrix理论与使用的详解

与上面的公式基本完全一样(android.graphics.matrix采用的是浮点数,而我们采用的整数)。
有了上面的例子,相信大家就可以亲自尝试了。通过上面的例子我们也发现,我们也可以直接来初始化矩阵,比如说要旋转30度:

深入理解Android Matrix理论与使用的详解

前面给大家介绍了这么多,下面我们开始介绍图像的镜像,分为2种:水平镜像、垂直镜像。先介绍如何实现垂直镜像,什么是垂直镜像就不详细说明。图像的垂直镜像变化也可以用矩阵变化的表示,设点p0(x0 ,y0 )进行镜像后的对应点为p(x ,y ),图像的高度为fheight,宽度为fwidth,原图像中的p0(x0 ,y0 )经过垂直镜像后的坐标变为(x0 ,fheight- y0); 
x = x0 
y = fheight – y0 
推导出相应的矩阵是:

深入理解Android Matrix理论与使用的详解

final float f[] = {1.0f,0.0f,0.0f,0.0f,-1.0f,120.0f,0.0f,0.0f,1.0f}; 
matrix matrix = new matrix(); 
matrix.setvalues(f);

按照上述方法运行后的结果: 
深入理解Android Matrix理论与使用的详解

至于水平镜像采用类似的方法,大家可以自己去试试吧。
实际上,使用下面的方式也可以实现垂直镜像: 
matrix matrix = new matrix(); 
matrix.setscale (1.0,-1.0); 
matrix.posttraslate(0, fheight);
这就是我们将在后面的篇幅中详细说明。

matrix学习——图像的复合变化

matrix学习——基础知识篇幅中,我们留下一个话题:如果图像围绕着某个点p(a,b)旋转,则先要将坐标系平移到该点,再进行旋转,然后将旋转后的图像平移回到原来的坐标原点。

我们需要3步:
1. 平移——将坐标系平移到点p(a,b);
2. 旋转——以原点为中心旋转图像;
3. 平移——将旋转后的图像平移回到原来的坐标原点;
相比较前面说的图像的几何变化(基本的图像几何变化),这里需要平移——旋转——平移,这种需要多种图像的几何变化就叫做图像的复合变化。
设对给定的图像依次进行了基本变化f1、f2、f3…..、fn,它们的变化矩阵分别为t1、t2、t3…..、tn,图像复合变化的矩阵t可以表示为:t = tntn-1…t1。
按照上面的原则,围绕着某个点(a,b)旋转θ的变化矩阵序列是:

深入理解Android Matrix理论与使用的详解

按照上面的公式,我们列举一个简单的例子:围绕(100,100)旋转30度(sin 30 = 0.5 ,cos 30 = 0.866) 
float f[]= { 0.866f,  -0.5f, 63.4f,0.5f, 0.866f,-36.6f,0.0f,    0.0f,  1.0f }; 
matrix = new matrix(); 
matrix.setvalues(f); 
旋转后的图像如下:

深入理解Android Matrix理论与使用的详解

android为我们提供了更加简单的方法,如下: 
matrix matrix = new matrix(); 
matrix.setrotate(30,100,100); 
矩阵运行后的实际结果: 

深入理解Android Matrix理论与使用的详解

与我们前面通过公式获取得到的矩阵完全一样。
在这里我们提供另外一种方法,也可以达到同样的效果: 
float a = 100.0f,b = 100.0f; 
matrix = new matrix(); 
matrix.settranslate(a,b); 
matrix.prerotate(30); 
matrix.pretranslate(-a,-b); 
将在后面的篇幅中为大家详细解析
通过类似的方法,我们还可以得到:相对点p(a,b)的比例[sx,sy]变化矩阵

深入理解Android Matrix理论与使用的详解

matrix学习——preconcats or postconcats?

从最基本的高等数学开始,matrix的基本操作包括:+、*。matrix的乘法不满足交换律,也就是说a*b ≠b*a。还有2种常见的矩阵:

深入理解Android Matrix理论与使用的详解

有了上面的基础,下面我们开始进入主题。由于矩阵不满足交换律,所以用矩阵b乘以矩阵a,需要考虑是左乘(b*a),还是右乘(a*b)。在android的android.graphics.matrix中为我们提供了类似的方法,也就是我们本篇幅要说明的preconcats matrix 与 postconcats  matrix。下面我们还是通过具体的例子还说明:

深入理解Android Matrix理论与使用的详解

通过输出的信息,我们分析其运行过程如下:

深入理解Android Matrix理论与使用的详解

看了上面的输出信息。我们得出结论:preconcats matrix相当于右乘矩阵,postconcats  matrix相当于左乘矩阵

深入理解Android Matrix理论与使用的详解

matrix学习——错切变换

什么是图像的错切变换(shear transformation)?我们还是直接看图片错切变换后是的效果:

深入理解Android Matrix理论与使用的详解

深入理解Android Matrix理论与使用的详解

对图像的错切变换做个总结:

深入理解Android Matrix理论与使用的详解

x = x0 + b*y0;
y = d*x0 + y0;

深入理解Android Matrix理论与使用的详解

这里再次给大家介绍一个需要注意的地方:

深入理解Android Matrix理论与使用的详解

通过以上,我们发现matrix的setxxxx()函数,在调用时调用了一次reset(),这个在复合变换时需要注意。

matrix学习——对称变换(反射)

什么是对称变换?具体的理论就不详细说明了,图像的镜像就是对称变换中的一种。

深入理解Android Matrix理论与使用的详解

利用上面的总结做个具体的例子,产生与直线y= – x对称的反射图形,代码片段如下:

深入理解Android Matrix理论与使用的详解

当前矩阵输出是:

深入理解Android Matrix理论与使用的详解

图像变换的效果如下:

深入理解Android Matrix理论与使用的详解

附:三角函数公式
两角和公式
sin(a+b)=sinacosb+cosasinb
sin(a-b)=sinacosb-sinbcosa 
cos(a+b)=cosacosb-sinasinb
cos(a-b)=cosacosb+sinasinb
tan(a+b)=(tana+tanb)/(1-tanatanb)
tan(a-b)=(tana-tanb)/(1+tanatanb)
cot(a+b)=(cotacotb-1)/(cotb+cota) 
cot(a-b)=(cotacotb+1)/(cotb-cota)
倍角公式
tan2a=2tana/[1-(tana)^2]
cos2a=(cosa)^2-(sina)^2=2(cosa)^2 -1=1-2(sina)^2
sin2a=2sina*cosa
半角公式
sin(a/2)=√((1-cosa)/2) sin(a/2)=-√((1-cosa)/2)
cos(a/2)=√((1+cosa)/2) cos(a/2)=-√((1+cosa)/2)
tan(a/2)=√((1-cosa)/((1+cosa)) tan(a/2)=-√((1-cosa)/((1+cosa))
cot(a/2)=√((1+cosa)/((1-cosa)) cot(a/2)=-√((1+cosa)/((1-cosa)) 
tan(a/2)=(1-cosa)/sina=sina/(1+cosa)
和差化积
2sinacosb=sin(a+b)+sin(a-b)
2cosasinb=sin(a+b)-sin(a-b) )
2cosacosb=cos(a+b)-sin(a-b)
-2sinasinb=cos(a+b)-cos(a-b)
sina+sinb=2sin((a+b)/2)cos((a-b)/2
cosa+cosb=2cos((a+b)/2)sin((a-b)/2)
tana+tanb=sin(a+b)/cosacosb
积化和差公式
sin(a)sin(b)=-1/2*[cos(a+b)-cos(a-b)]
cos(a)cos(b)=1/2*[cos(a+b)+cos(a-b)]
sin(a)cos(b)=1/2*[sin(a+b)+sin(a-b)]
诱导公式
sin(-a)=-sin(a)
cos(-a)=cos(a)
sin(pi/2-a)=cos(a)
cos(pi/2-a)=sin(a)
sin(pi/2+a)=cos(a)
cos(pi/2+a)=-sin(a)
sin(pi-a)=sin(a)
cos(pi-a)=-cos(a)
sin(pi+a)=-sin(a)
cos(pi+a)=-cos(a)
tga=tana=sina/cosa
万能公式
sin(a)= (2tan(a/2))/(1+tan^2(a/2))
cos(a)= (1-tan^2(a/2))/(1+tan^2(a/2))
tan(a)= (2tan(a/2))/(1-tan^2(a/2))
其它公式
a*sin(a)+b*cos(a)=sqrt(a^2+b^2)sin(a+c) [其中,tan(c)=b/a]
a*sin(a)-b*cos(a)=sqrt(a^2+b^2)cos(a-c) [其中,tan(c)=a/b]
1+sin(a)=(sin(a/2)+cos(a/2))^2
1-sin(a)=(sin(a/2)-cos(a/2))^2
其他非重点三角函数
csc(a)=1/sin(a)
sec(a)=1/cos(a)
双曲函数
sinh(a)=(e^a-e^(-a))/2
cosh(a)=(e^a+e^(-a))/2
tgh(a)=sinh(a)/cosh(a)