等腰梯形构建中矩阵缩放因子变换与角度的数学关系求解

安全阿岳

2026-6-20

等腰梯形参数与角度的数学关系推导

现有坐标计算脚本

以下Python脚本通过给定参数（长底边长、高度、缩放因子）计算等腰梯形的四个顶点坐标：

import numpy as np

# 给定参数
long_base = 4
height = 1
scale_factor = 0.404229

# 长底边坐标
half_lb = long_base/2
A = np.array([[-half_lb , 0. , 0.], [half_lb , 0.  ,0.]])

# 格式化为齐次坐标以应用变换
one = np.ones((A.shape[0],1))
A = np.append(A, one, axis=1)

# 变换矩阵
matrix = np.array([[scale_factor, 0, 0, 0], 
                   [0, 1, 0, 0], 
                   [0, 0, 1, 0], 
                   [0, 0, height, 1]])
# 计算上底顶点坐标
B = A @ matrix

# 合并得到梯形四个顶点坐标
A = np.concatenate((A,B), axis=0)

参数与角度的数学关系推导

从脚本的坐标变换逻辑可知：

长底边的两个顶点坐标为 (-long_base/2, 0, 0) 和 (long_base/2, 0, 0)
经过变换后，上底的两个顶点坐标为 (-long_base/2 * scale_factor, 0, height) 和 (long_base/2 * scale_factor, 0, height)

取腰的向量（例如从 (long_base/2, 0, 0) 到 (long_base/2 * scale_factor, 0, height)），其分量为：
( (long_base/2)(scale_factor - 1), 0, height )

设腰与长底边的夹角为θ，利用向量点积的夹角公式推导关系：

腰向量与长底边方向向量（x轴负方向）的点积为：(long_base/2)(1 - scale_factor)
腰向量的模长为：sqrt( (long_base/2)²(1 - scale_factor)² + height² )
夹角余弦值满足：
$$\cos\theta = \frac{(long_base/2)(1 - scale_factor)}{\sqrt{(long_base/2)^2(1 - scale_factor)^2 + height^2}}$$

通过代数变形求解缩放因子，最终得到：
$$scale_factor = 1 - \frac{2 \times height}{long_base} \times \cot\theta$$

其中 $\cot\theta = \frac{1}{\tan\theta}$，θ为腰与长底边的夹角（需注意计算时的角度/弧度单位一致性）。