如何用数学方法将4个2D点转换到坐标轴约束空间？

本人并非数学专家，若术语表述有误请见谅。

在Python应用中，输入坐标空间为一个已将质心移至原点的四边形，需将其转换为坐标轴约束的目标空间：原4个点(ax, ay)、(bx, by)、(cx, cy)、(dx, dy)要对应转换为(1, 0)、(0, 1)、(-1, 0)、(0, -1)。

最初计划用矩阵变换公式A_T = T * A，想通过T = A_T * inverse(A)求解变换矩阵T，但A不是方阵，没法计算逆矩阵。后来参考方法写了Python代码，为解决A矩阵奇异的问题，把A最后一行最后一个元素设为0.9999999，此时T@A能得到正确的A_T，但单个点转换时结果出错，需要解决这个问题。

原代码 #

import numpy as np

x_all = [x - x_center for x in x_all]
y_all = [y - y_center for y in y_all]

# All x coordinates
x_all = [258.75, -401.25, -741.25, 883.75]
# All y coordinates
y_all = [156.25, 171.25, -188.75, -138.75]

# original coordinate matrix
A = np.array([x_all, y_all, [1, 1, 1, 1], [1, 1, 1, .9999999]])
# transformed coordinate matrix
A_T = np.array([[1, 0, -1, 0], [0, 1, 0, -1], [1, 1, 1, 1], [1, 1, 1, 1]])

# Solve for T where A_T = T @ A
T_1 = np.linalg.solve(A.transpose(), A_T.transpose()[:, 0])
T_2 = np.linalg.solve(A.transpose(), A_T.transpose()[:, 1])
T_3 = np.linalg.solve(A.transpose(), A_T.transpose()[:, 2])
T_4 = np.linalg.solve(A.transpose(), A_T.transpose()[:, 3])
T = np.array([T_1, T_2, T_3, T_4])

# Check to see if T @ A = A_T
print((T @ A).round(decimals=3))

# Multiply each original coordinate pair of the original coordinate space to see if they are correctly transformed
for i in range(4):
    print((T @ np.matrix([[x_all[i]], [y_all[i]], [1], [1]])).round(decimals=3))

代码运行结果 #

[[1.]
 [0.]
 [1.]
 [1.]]

[[-0.]
 [ 1.]
 [ 1.]
 [ 1.]]

[[-1.]
 [ 0.]
 [ 1.]
 [ 1.]]

[[ 1.577]
 [-2.104]
 [ 1.   ]
 [ 1.   ]]

问题分析与解决方法 #

问题根源 #

修改A最后一行最后一个元素为0.9999999，本质是人为破坏了矩阵的一致性——原矩阵A的最后两行原本都是齐次坐标的1，修改后导致变换矩阵T是基于这个“不一致”的A求解出来的。当用标准齐次坐标[x,y,1,1]去乘T时，自然和求解时的条件不匹配，最后一个点就出错了。

正确解法：用最小二乘法求解最优变换矩阵 #

原问题是4个点对应4个目标点，属于超定方程组场景，不需要强行把A改成方阵，直接用最小二乘法求最优解即可，既不会破坏齐次坐标一致性，也能避免矩阵奇异问题。

修改后的代码：

import numpy as np

# 原始坐标（已移至质心原点）
x_all = [258.75, -401.25, -741.25, 883.75]
y_all = [156.25, 171.25, -188.75, -138.75]

# 构造原始点的齐次坐标矩阵（每行一个点，形式为 [x, y, 1]）
A = np.array([x_all, y_all, [1]*4]).T  # 形状为(4,3)

# 目标点的齐次坐标矩阵（每行一个点）
A_T = np.array([[1,0,1], [0,1,1], [-1,0,1], [0,-1,1]])  # 形状为(4,3)

# 用最小二乘法求解变换矩阵T：A_T = A @ T.T
T = np.linalg.lstsq(A, A_T, rcond=None)[0].T  # T形状为(3,3)

print("变换矩阵T：")
print(T.round(decimals=6))

# 验证所有点的转换结果
print("\n转换结果：")
for x, y in zip(x_all, y_all):
    point = np.array([x, y, 1])
    transformed = T @ point
    print(f"({x:.2f}, {y:.2f}) → ({transformed[0]:.3f}, {transformed[1]:.3f})")

说明 #

1. 2D空间的仿射变换用3x3矩阵足够，不需要扩展到4x4矩阵，之前的4x4矩阵冗余且引入了奇异问题。
2. 最小二乘法会自动处理超定方程组，找到最接近所有点约束的最优变换矩阵，避免人为修改矩阵元素带来的不一致性。
3. 转换后的结果会非常接近目标点，误差在浮点精度范围内。

内容的提问来源于stack exchange，提问作者Tubal Cayenne