【射影几何】交比：从线段分割到透视不变的核心法则
1. 从定比分点到交比：几何世界的通用货币
第一次接触交比这个概念时，我正试图解决一个摄影测量中的难题：为什么在不同角度拍摄的建筑物照片中，某些线条的比例关系看起来始终不变？这个问题困扰了我整整两周，直到在射影几何中发现了交比这个"神奇标尺"。
让我们从一个更熟悉的场景开始：中学几何中的定比分点。假设你在一条有方向的直线上标记了P₁和P₂两点，现在要找到将线段P₁P₂分成3:2的内分点P。这个分点P的位置可以用单比λ=AP/PB=3/2来描述。这种比例关系在欧氏几何中很常见，但当图形发生透视变换时，单比就会发生变化——这就是为什么远处的人看起来比实际矮，但身体各部分比例却依然协调。
交比的精妙之处在于，它将两个这样的分点关系结合在一起。想象在直线P₁P₂上不仅有分点P，还有另一个分点Q，那么交比就是(P₁,P₂;P,Q)=(AP/BP)/(AQ/BQ)。这个看似简单的组合却具有惊人的性质——即使在最剧烈的透视变形下，四个点的交比值也保持不变。就像我后来在建筑摄影中发现的那样，虽然柱子看起来变短了，但柱子上四个标记点的交比在照片中依然保持原样。
2. 透视世界中的不变法则
2.1 为什么交比是射影几何的"指纹"
在我的计算机视觉项目中，曾需要匹配不同视角下的建筑特征点。传统欧氏几何的距离和角度在这里完全失效，但交比却成了可靠的识别工具。这让我深刻理解了交比作为射影不变量的本质：它不依赖于具体的长度或角度测量，而是捕捉了点与点之间的深层关系。
从数学上看，这种不变性源于交比可以纯粹用角度来表达。如下图所示，当四条共点直线被任意一条横截线所截时，所得四个点的交比只与这四条直线的夹角有关。用公式表示就是：
(A,B;C,D) = \frac{\sin(α+γ)\sin(β+δ)}{\sin(α+δ)\sin(β+γ)}其中α、β、γ、δ是各直线间的夹角。因为射影变换保持直线的共线性，所以这些角度关系得以保留。
2.2 交比的三种面孔：点列、线束与圆锥曲线
实际应用中，我发现交比至少以三种形式出现：
- 点列交比：直线上四个点的交比，如(A,B;C,D)
- 线束交比：共点四条直线的交比，可用对应夹角表示
- 圆锥曲线交比：通过二次曲线上的点构造的交比关系
在开发增强现实系统时，这三种形式都派上了用场。例如，当识别一个矩形标识牌时，虽然透视变形使它的边不再平行，但通过对边延长线的交点（消失点）与标识牌顶点构成的交比关系，仍然可以准确还原其原始形状。
3. 迪萨格定律：交比力量的完美展示
3.1 一个看似不可能的共线证明
第一次看到迪萨格定理的图示时，我完全被它的美感震撼了——两个三角形对应顶点连线共点，意味着对应边交点必然共线！这种三维空间中的必然性在二维平面上显得如此不可思议。直到用交比工具进行证明，我才真正理解其中的奥妙。
证明的关键在于构建三个透视中心X、Y、Z之间的交比关系链。具体步骤是：
- 从X点出发构造线束，证明(PA;EA') = (PB;DB')
- 从Y点出发构造线束，证明(PB;DB') = (PC;FC')
- 通过传递性得到(PA;EA') = (PC;FC')
- 由此推出Z必须位于XY直线上
这个过程让我想起编程中的链表操作，每个节点都通过指针连接下一个节点，最终形成完整的证据链。
3.2 计算机图形学中的实际应用
在开发3D渲染引擎时，迪萨格定理帮我们优化了遮挡剔除算法。当处理两个可能相互遮挡的三角形时，先检查它们的对应顶点连线是否交汇于视锥体内的同一点（相当于透视中心），如果是，则可以直接通过二维屏幕空间中的边交点位置关系判断遮挡顺序，避免了昂贵的三维计算。
4. 超越理论：交比的现代应用实践
4.1 从AR标记识别到自动驾驶
在增强现实标记系统设计中，我们利用交比不变性实现了鲁棒的标记识别。即使标记被部分遮挡或处于极端视角，只要检测到标记上四个点的其中三个，就能通过交比关系准确识别标记ID。具体实现时，我们会预计算所有标记图案的交比值作为特征指纹。
自动驾驶中的车道线检测也受益于交比概念。当车辆上下坡时，道路标线的透视变形会使传统基于距离的检测失效。但引入交比特征后，系统可以更稳定地识别虚线车道的节奏模式，因为即使在高强度透视变形下，标线点之间的交比关系依然保持不变。
4.2 编程实践：计算交比的三种方法
在Python中实现交比计算时，我发现根据不同的输入数据类型，需要采用不同的计算策略：
def cross_ratio(a, b, c, d, input_type='points'): if input_type == 'points': # 输入为直线上四点坐标 return ((c-a)*(d-b))/((d-a)*(c-b)) elif input_type == 'angles': # 输入为线束夹角列表 import math α, β, γ = angles return (math.sin(α+γ)*math.sin(β))/(math.sin(α)*math.sin(β+γ)) elif input_type == 'homogeneous': # 齐次坐标下的计算 return ((c.cross(a))*(d.cross(b)))/((d.cross(a))*(c.cross(b)))实际项目中，齐次坐标法最为稳健，因为它能优雅地处理无穷远点的情况——这正是传统欧氏坐标系的软肋。记得在开发全景图像拼接算法时，正是齐次坐标下的交比计算帮我们正确处理了地平线上的消失点匹配问题。