如何求解二维几何的旋转角度并将其主轴对齐至坐标轴？

要解决这个问题，核心是通过**主成分分析(PCA)**提取图形的主轴方向，计算旋转角度后完成坐标旋转对齐。以下是具体步骤和实现代码：

步骤说明 #

• 中心化坐标：先计算所有点的质心，将每个坐标减去质心，消除平移影响，确保旋转围绕图形中心进行。
• 计算协方差矩阵：协方差矩阵能反映X和Y坐标的相关性，是求解主轴的基础。
• 提取特征向量与特征值：协方差矩阵的特征向量对应数据的主方向，特征值越大，对应方向的方差越大（即主轴）。
• 计算旋转角度：主轴特征向量与X轴的夹角就是需要旋转的角度，公式为 θ = arctan2(特征向量y分量, 特征向量x分量)，转换为角度后取合适的旋转方向。
• 坐标旋转：用旋转矩阵将所有中心化后的坐标旋转，再加上质心得到对齐后的坐标。

代码实现（Python） #

import numpy as np

# 输入坐标
X = [0.71, 1.41, 2.12, 2.83, 2.12, 2.83, 3.54, 4.24, 4.95, 5.66, 4.95, 4.24, 3.54, 2.83, 2.12, 1.41]
Y = [-0.71, 0.0, 0.71, 1.41, 2.12, 2.83, 2.12, 1.41, 0.71, 0.0, -0.71, 0.0, 0.71, 0.0, -0.71, -1.41]

# 转换为矩阵并中心化
coords = np.array([X, Y]).T
centroid = np.mean(coords, axis=0)
centered_coords = coords - centroid

# 计算协方差矩阵
cov_matrix = np.cov(centered_coords.T)

# 求解特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)

# 找到最大特征值对应的特征向量（主轴）
max_eigen_idx = np.argmax(eigenvalues)
principal_axis = eigenvectors[:, max_eigen_idx]

# 计算旋转角度（转换为度）
rotation_angle_rad = np.arctan2(principal_axis[1], principal_axis[0])
rotation_angle_deg = np.degrees(rotation_angle_rad)

# 旋转矩阵（将主轴对齐到X轴，需要旋转-rotation_angle）
rotation_matrix = np.array([
    [np.cos(-rotation_angle_rad), -np.sin(-rotation_angle_rad)],
    [np.sin(-rotation_angle_rad), np.cos(-rotation_angle_rad)]
])

# 计算对齐后的坐标
aligned_coords = np.dot(centered_coords, rotation_matrix.T) + centroid

# 输出结果
print(f"图形主轴与X轴的夹角: {rotation_angle_deg:.2f} 度")
print("对齐后的坐标（X, Y）:")
for xy in aligned_coords:
    print(f"({xy[0]:.2f}, {xy[1]:.2f})")

结果说明 #

• 运行代码后得到的rotation_angle_deg就是图形当前主轴相对于X轴的旋转角度，若要对齐到X轴，只需将所有点旋转 -rotation_angle_deg 度；若要对齐到Y轴，旋转角度为 90 - rotation_angle_deg 度（或根据实际方向调整符号）。
• 对齐后的坐标已经将图形的最长轴（主轴）与X轴平行，满足需求。

内容的提问来源于stack exchange，提问作者Urvesh