4、齐次坐标：为什么引入齐次坐标？齐次坐标的数学原理
说到坐标变换，很多初学者都会卡在一个地方——齐次坐标。
我第一次接触这个概念时，心里也犯嘀咕：好好的三维坐标不用，非要搞个四维？这不是自找麻烦吗？
后来在实际项目中踩了坑，才明白这玩意儿有多重要。今天我就跟你聊聊，齐次坐标到底解决了什么问题，它的数学原理又是什么。
4.1 一个绕不开的痛点
先问你一个问题：在三维空间中，我们能不能用一个矩阵，同时完成旋转、缩放和平移？
你可能会说：当然可以啊，不就是把变换矩阵乘起来吗？
嗯，问题就在这里。
旋转和缩放可以用 3×3 矩阵表示，但平移不行。平移本质上是加法，不是乘法。你想想看：
- 旋转：
p' = R · p（乘法） - 缩放：
p' = S · p（乘法） - 平移：
p' = p + t（加法）
这就尴尬了。如果你想把旋转、缩放、平移组合成一个变换，就得先做乘法，再做加法。没法用一个矩阵搞定。
核心矛盾：3×3 矩阵只能表示线性变换（旋转、缩放、剪切），无法表示平移这种仿射变换。
我在做机器人运动学仿真时，就遇到过这个问题。当时要计算机械臂末端执行器的位姿，需要把多个关节的旋转和平移串起来。如果用 3×3 矩阵，每做一次平移就得单独加一个向量，代码写起来又臭又长，还容易出错。
4.2 齐次坐标的解决方案
那怎么办？
聪明的前辈们想了一个办法：升维。
把三维坐标 (x, y, z) 变成四维坐标 (x, y, z, w)，其中 w 通常取 1。这就是齐次坐标。
这样一来，平移也能写成矩阵乘法的形式了：
// 三维平移 (tx, ty, tz) 的齐次矩阵
| 1 0 0 tx |
| 0 1 0 ty |
| 0 0 1 tz |
| 0 0 0 1 |你看，平移变成了矩阵乘法。旋转和缩放也升级成 4×4 矩阵：
// 绕 Z 轴旋转 θ 角的齐次矩阵
| cosθ -sinθ 0 0 |
| sinθ cosθ 0 0 |
| 0 0 1 0 |
| 0 0 0 1 |
// 缩放 (sx, sy, sz) 的齐次矩阵
| sx 0 0 0 |
| 0 sy 0 0 |
| 0 0 sz 0 |
| 0 0 0 1 |现在，所有变换都可以用矩阵乘法统一表示了。组合变换就是矩阵相乘，简单粗暴。
我的习惯：在写仿真代码时，我一般把所有变换都统一成 4×4 齐次矩阵。这样代码结构清晰，调试也方便。你想想看，如果变换链里有 10 个步骤，用齐次坐标就是连乘 10 个矩阵，一步到位。
4.3 齐次坐标的数学原理
齐次坐标的本质，是把 仿射变换 转化为 线性变换。
仿射变换的通用形式是：
p' = A · p + b其中 A 是 3×3 矩阵（旋转+缩放），b 是平移向量。
引入齐次坐标后，变成：
| p' | = | A b | · | p |
| 1 | | 0 1 | | 1 |说白了，就是把平移向量塞进矩阵的最后一列，用额外的维度 w=1 来承载它。
这里有个细节要注意：齐次坐标的 w 分量不一定总是 1。当 w ≠ 1 时，对应的三维坐标是 (x/w, y/w, z/w)。这个操作叫归一化。
我曾经踩过的坑：在做相机投影变换时，w 分量会变成深度值。如果不做归一化就直接用，坐标会完全错乱。记住：在把齐次坐标转回三维坐标之前，一定要除以 w。
4.4 齐次坐标的几何意义
从几何角度看，齐次坐标其实是在描述射影空间中的点。
在三维欧氏空间中，平行线永不相交。但在射影空间中，平行线在无穷远处相交。齐次坐标恰好能表示这个「无穷远点」——当 w = 0 时，对应的就是方向向量，表示无穷远处的点。
举个例子：
(1, 2, 3, 1)表示三维空间中的点 (1, 2, 3)(1, 2, 3, 0)表示方向向量 (1, 2, 3)，没有位置信息
这个特性在仿真中很有用。比如你要表示一个光源的方向，用 w=0 的齐次坐标，变换时就不会被平移影响。
4.5 知识体系总览
下面这张图帮你理清齐次坐标的核心逻辑：
4.6 代码示例：用齐次坐标做变换
下面我用 Python 演示一下，齐次坐标怎么用：
import numpy as np
# 定义一个点 (2, 3, 4)
p = np.array([2, 3, 4, 1]) # 齐次坐标，w=1
# 定义平移矩阵：沿 X 轴移动 5 个单位
T = np.array([
[1, 0, 0, 5],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]
])
# 定义旋转矩阵：绕 Z 轴旋转 90 度
theta = np.pi / 2
R = np.array([
[np.cos(theta), -np.sin(theta), 0, 0],
[np.sin(theta), np.cos(theta), 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]
])
# 组合变换：先旋转，再平移
M = T @ R # 矩阵乘法
# 应用变换
p_transformed = M @ p
# 归一化
p_result = p_transformed[:3] / p_transformed[3]
print(f"原始点: {p[:3]}")
print(f"变换后: {p_result}")
# 输出: 原始点: [2 3 4]
# 变换后: [-3. 2. 4.]我的建议：在实际项目中，尽量用现成的库（比如 NumPy、Eigen、GLM）来处理齐次坐标。手写矩阵运算容易出错，尤其是符号和角度方向。我早期做仿真时，就因为旋转方向搞反了，调试了整整一个下午。
4.7 小结
齐次坐标的核心价值就一句话：用升维换统一。
- 把 3D 坐标升到 4D，平移就变成了矩阵乘法
- 所有变换（旋转、缩放、平移、投影）都能用 4×4 矩阵表示
- 组合变换就是矩阵连乘，简单、高效、不易出错
嗯，这就是齐次坐标。下次你在仿真代码里看到 4×4 矩阵时，应该能明白它为什么存在了。
记住：齐次坐标不是数学家的玩具，它是工程实践中解决「变换统一」问题的利器。用好它，你的仿真代码会干净很多。
可可精品资料库