Q1：为什么学习变换
模型变换
视觉变换
从三维空间变成二维展示的映射
Q2：二维的变换，把矩阵和变换联系起来
Scale（均匀缩放）
Scale（Non-Uniform）（不均匀缩放）
Reflection Matrix（反射矩阵）
Shear Matrix （切变）
怎么理解呢？拽着上面那条边，给往右拉
Rotate（旋转变换-二维）
在不说其他信息情况下，都绕着（0，0）为中心逆时针转
以下为旋转变换矩阵的推导过程，只推导了（1，0）点，（0，1）点同理可推
以上变换均为线性变换
Q3：Homogeneous coordinates(齐次坐标)
Translation（平移变换）
以上线性变换，并不能直接表示成ax+by这种线性变换，所以引入齐次坐标的概念，解决的事情就是不想让平移变换成为特例
齐次坐标时，为什么点最后是1，而向量最后是0？为了保证向量平移不变，一下为1，0的验证，经过一番操作后反应运算规则
一个点+另外一个点，表示的是两个点之间的中点
Affine Transformations（仿射变换）
以下为线性变换与非线性变换的齐次坐标表示
Inverse Transform（逆变换）
Composite Transform（组合变换）
- 复杂的变换可以通过简单的变化组合得到；
- 变换的顺序非常重要
因为矩阵满足结合律，可以从头到尾乘
把问题靠到可以解决的问题上
