Transformación afín explicada: propiedades y aplicaciones

Una transformación afín es un proceso que lleva puntos del espacio a nuevos puntos aplicando una transformación lineal y un desplazamiento, llamado traslación. Puedes rotar, escalar, sesgar (shear), reflejar y luego desplazarlo todo, y las líneas rectas seguirán siendo rectas. 

Las transformaciones afines están por todas partes porque recogen una gran variedad de cambios geométricos que mantienen la geometría de un objeto y, al mismo tiempo, son baratas de calcular.

Aplicaciones diversas de las transformaciones afines. Fuente de la imagen: Napkin AI

La idea surgió cuando matemáticos como Leonhard Euler y August Ferdinand Möbius intentaron comprender qué propiedades permanecen invariantes incluso cuando cambian otras cosas. 

Hoy es una pieza clave del mundo digital, desde el CSS de una página web hasta la imagen médica más compleja.

¿Qué son las transformaciones afines?

Las transformaciones afines se sitúan entre el «álgebra lineal pura» y la «geometría del mundo real». Mantienen la limpieza matemática a la vez que permiten traslaciones, algo que las aplicaciones lineales por sí solas no logran.

Entender los espacios afines y las transformaciones

Un espacio vectorial tiene un punto especial llamado origen (aunque no lo dibujes, existe conceptualmente). En un espacio vectorial, los vectores se pueden sumar y escalar, y hay un «vector cero» distinguido.

Un espacio afín se parece a un espacio vectorial sin un origen elegido. Aun así, puedes hablar de:

• puntos (ubicaciones)
• vectores de desplazamiento entre puntos (p. ej., «ir de P a Q»)
• sumar un vector a un punto (mover el punto en ese desplazamiento)

Pero no puedes sumar dos puntos de manera significativa, porque la suma de puntos depende de elegir un origen.

Formalmente, un espacio afín A sobre un espacio vectorial V es un conjunto de puntos con una acción libre y transitiva de V. En la práctica: las diferencias entre puntos viven en V, pero los puntos individuales no.

Una transformación afín es una aplicación entre espacios afines que preserva las combinaciones afines (lo veremos más adelante) y, geométricamente, conserva las líneas rectas y el paralelismo.

Fórmula de transformación afín: definición usando espacios vectoriales

En coordenadas, una transformación afín tiene la forma:

Transformación afín en forma matricial. 

Donde:

• x ∈ Rn es tu punto de entrada (como vector columna)
• A ∈ Rn×n es una matriz que representa la parte lineal (rotación, escala, cizalla, reflexión o combinaciones)
• b ∈ Rn es un vector que representa la traslación

Esta estructura «lineal + constante» explica por qué los mapas afines son tan populares en ingeniería e informática: son expresivos y, aun así, rápidos y estables de aplicar.

Propiedades clave de las transformaciones afines

Las transformaciones afines preservan varias relaciones geométricas «estructurales», permitiendo a la vez que las formas se estiren o se deformen.

¿Qué propiedades se preservan en una transformación afín?

Propiedades preservadas en una transformación afín. Fuente de la imagen: Napkin AI

Se preservan:

1. Colinealidad: si los puntos estaban en la misma recta antes, lo estarán después.
2. Paralelismo: las rectas paralelas siguen siendo paralelas (clave en gráficos y cartografía).
3. Convexidad: una forma convexa sigue siendo convexa.
4. Proporciones a lo largo de una recta: si un punto divide un segmento en una razón, esa razón se conserva.

Una forma elegante de expresarlo es mediante combinaciones afines:

Las aplicaciones afines preservan estas combinaciones.

No se preservan (en general):

• Distancias
• Ángulos
• Áreas/volúmenes (salvo condiciones especiales)

Por último, las transformaciones afines están cerradas por composición: aplicar una transformación afín tras otra sigue dando una transformación afín.

Estructura de grupo de las transformaciones afines

Las transformaciones afines forman un grupo bajo la composición (conocido como el grupo afín, Aff(n)).

La composición funciona de forma limpia si

y

entonces

Sigue siendo afín. 

Nota sobre invertibilidad: Ax+b es invertible si A es invertible (det⁡(A)≠0). Entonces:

Obtienes así un álgebra potente: construye transformaciones complejas encadenando sencillas y revírtelas cuando lo necesites.

Matriz de transformación afín

Para calcular transformaciones afines de forma eficiente, utilizamos matrices, en particular coordenadas homogéneas, que permiten representar traslaciones de manera compatible con matrices.

Forma general de las matrices de transformación afín

En n dimensiones, la transformación es:

donde

• A controla el cambio de forma (componente lineal).

• b regula el desplazamiento (traslación)

La condición de invertibilidad es que la matriz A debe ser invertible. En pocas palabras: si A comprime todos los puntos en una recta (reduciendo el rango), no se puede deshacer de forma única.

Coordenadas homogéneas y representación con matriz aumentada

Las traslaciones no pueden representarse con una matriz (n x n) actuando solo sobre x. Las coordenadas homogéneas resuelven esto añadiendo una coordenada extra.

Representa un punto 2D ((x, y)) como ((x, y, 1)).

Entonces, una transformación afín 2D se convierte en una matriz 3×3:

Transformación afín 2D usando coordenadas homogéneas (matriz 3×3). Fuente: Autor

Ventajas:

• La composición se reduce a multiplicación (solo necesitas multiplicación de matrices).
• Canales optimizados (las librerías de gráficos y visión lo favorecen)
• Gestión coherente de traslación, rotación, escala y cizalla

Tipos de transformaciones afines

La mayoría de transformaciones afines que se usan en la práctica combinan unos pocos pasos. 

Traslación en transformaciones afines

La traslación mueve todos los puntos con el mismo desplazamiento: T(x)=x+b

En 2D, su forma homogénea se representa así:

Traslación como matriz de transformación homogénea (2D). Fuente: Autor

Esta forma se usa en gráficos (para mover objetos), robótica (para cambiar marcos de coordenadas) y visión (para alinear imágenes).

Transformaciones de escala: uniforme y no uniforme

Escala uniforme: en 2D, usar el mismo factor (s) en todas las direcciones: 

Matriz de escala uniforme 2D. Fuente: Autor

Escala no uniforme:

Matriz de escala no uniforme 2D. Fuente: Autor

En 3D, la escala es una matriz diagonal 3×3. Al escalar, se preservan líneas rectas y paralelismo, pero cambian las distancias (salvo que s=1).

Transformaciones de rotación en 2D y 3D

Rotación 2D por un ángulo (theta):

Transformación de rotación 2D por ángulo. Fuente: Autor

En 3D, se rota alrededor de un eje (x, y o z) con las matrices correspondientes. Al añadir traslación a una rotación, sigue siendo afín (y pasa a ser un «movimiento rígido» si solo hay rotación y traslación).

Transformaciones de cizalla (shear) explicadas

La cizalla «inclina» las formas. Una cizalla en x en 2D es:

Representación de cizalla en x en 2D. Fuente: Autor

Una cizalla en y:

Representación de cizalla en y en 2D. Fuente: Autor

Las cizallas se usan a menudo en tipografía, deformaciones visuales y efectos que recuerdan a la perspectiva (aunque la perspectiva real es proyectiva, no afín). 

Reflexiones en geometría afín

Reflejar respecto a ejes o planos que pasan por el origen se considera una reflexión lineal (y por tanto afín).

Reflexión 2D respecto al eje x:

Reflexión 2D respecto al eje x. Fuente: Autor

Respecto al eje y:

Reflexión 2D respecto al eje y. Fuente: Autor

Las reflexiones cambian la orientación y son útiles para analizar simetrías, reconocer patrones y procesar geometría.

Cómo componer e invertir transformaciones afines

En sistemas reales, rara vez usas una sola transformación; normalmente encadenas varias.

Componer múltiples transformaciones afines

Supón que:

y

Entonces:

El orden importa. Rotar primero y luego trasladar no es lo mismo que trasladar primero y luego rotar. Esto ocurre porque las traslaciones «quedan atrapadas» por la siguiente matriz.

Una forma útil de recordarlo es:

• Si usas matrices homogéneas, la composición es la multiplicación de matrices
• La última transformación que aplicas va a la izquierda en la multiplicación.

Transformaciones afines inversas: cálculo y aplicaciones

Para

si A es invertible:

En visión, esto es muy común: a menudo se llevan los píxeles de salida hacia atrás a los de entrada (mapeo inverso) para evitar huecos.

Transformaciones lineales vs. afines

Las transformaciones afines son «transformaciones lineales con un desplazamiento incorporado».

Diferencias clave entre transformaciones lineales y afines

Una transformación lineal, L(x)=Ax, debe cumplir:

• L(0)=0 (el origen permanece en el origen)
• L(x+y)=L(x)+L(y)
• L(cx)=cL(x)

Una transformación afín T(x)=Ax+b:

• no tiene por qué enviar 0 a 0
• mantiene las rectas y preserva el paralelismo
• actúa linealmente si separas la traslación

Toda aplicación lineal es afín (pon b=0), pero no toda aplicación afín es lineal (cualquier traslación no nula rompe la linealidad).

Transformaciones afines como lineal más traslación

Puedes reescribir:

como «haz la parte lineal (Ax) y luego añade la traslación (b)». 

Ya conoces la versión en 1D si has visto (y=mx+c). Por eso las aplicaciones afines se usan a menudo en redes neuronales: una capa densa calcula (Wx+b), que es un mapa afín. Después se añade la no linealidad. 

La informática gráfica y la visión por computador usan transformaciones afines.

Transformaciones afines en gráficos por computador y visión por computador

Aquí es donde las transformaciones afines dejan de ser abstractas y pasan a ser imprescindibles.

Transformación y deformación de imágenes con transformaciones afines

En el procesado de imágenes, las transformaciones afines se usan para:

• rotación y cambio de tamaño
• traslación (mover imágenes)
• corrección de inclinación (cizalla)
• alineación/registro (hacer coincidir imágenes)

Dos ideas de implementación importantes:

• Mapeo directo (forward): tomar cada píxel de entrada y proyectarlo hacia adelante. Puede crear huecos.
• Mapeo inverso: para cada píxel de salida, mapear hacia atrás para localizar su origen; suele ser la mejor opción.

La interpolación es importante porque las coordenadas mapeadas rara vez caen en píxeles enteros. Métodos comunes:

• Vecino más cercano: el más rápido, con aspecto de bloques
• Bilineal: más suave, suele ser el valor por defecto
• Bicúbica: más suave pero requiere más cómputo

Transformaciones afines en gráficos 3D y renderizado

Las transformaciones afines se usan en todo el pipeline 3D:

• transformaciones de modelo (local del objeto → mundo)
• transformaciones de vista (mundo → cámara)
• preparación de la proyección (la parte afín sucede antes del paso proyectivo)

Un detalle sutil e importante: cuando la escala no es uniforme, las normales de superficie no cambian igual que los puntos. Para un sombreado correcto, los pipelines de render suelen usar la inversa transpuesta de la parte lineal para las normales.

Transformaciones afines en robótica

La robótica es, en esencia, omnipresencia de sistemas de coordenadas.

Las transformaciones afines conectan:

• marco base del robot ↔ marco del brazo ↔ marco del efector final
• marco de la cámara ↔ marco del mundo
• lidar ↔ coordenadas del vehículo

En localización basada en visión (p. ej., odometría visual), pequeños movimientos entre fotogramas pueden aproximarse localmente como afines en el espacio de imagen, lo que ayuda a seguir y estimar el movimiento. 

Mapeo de espacios de coordenadas y normalización de datos

En aprendizaje automático, el escalado de variables suele ser afín:

• Escalado min-máx: (x' = alpha x + beta)
• Estandarización: (x' = (x-μ)/σ) (también afín)

Esto es clave porque muchos modelos (especialmente los basados en gradiente) funcionan mejor cuando las características están en escalas similares.

Conceptos avanzados y teoría de transformaciones afines

Las transformaciones afines parecen sencillas al principio, pero la teoría es profunda, sobre todo cuando te interesan invariantes como el área o sistemas de coordenadas alternativos.

Conceptos avanzados de transformaciones afines. Fuente de la imagen: Napkin AI

Geometría afín y coordenadas baricéntricas

Las coordenadas baricéntricas expresan un punto como una mezcla ponderada de los vértices de un triángulo:

Estas coordenadas son invariantes afines, es decir, si cambias el triángulo y el punto de forma afín, λi se mantiene igual.

Por eso se usan ampliamente en mapeado de texturas, interpolación de mallas y análisis de elementos finitos.

Transformaciones afines que preservan medida y equiareales

Una transformación afín preserva el área (2D) o el volumen (3D) cuando:

El determinante de A te dice cuánto cambia el área o el volumen al aplicar el componente lineal.

Si (|det(A)| > 1), el espacio se expande; si es menor que 1, se contrae. Si es negativo, cambia la orientación (como en una reflexión). Esto es vital en gráficos, simulaciones físicas y modelado de deformaciones.

Similitudes e isometrías en geometría afín

Relaciones:

• Afín: (Ax+b) (caso general)
• Similitud: escala + rotación + traslación (conserva ángulos, salvo escala)
• Isometría (rígida): rotación + traslación (conserva distancias y ángulos)

Así: isometrías ⊂ similitudes ⊂ transformaciones afines

Esta jerarquía te permite elegir el modelo adecuado. Por ejemplo, si necesitas conservar distancias, «afín» es demasiado general.

Transformaciones proyectivas y extensiones afines en dimensiones superiores

Las transformaciones afines son un subtipo de transformaciones proyectivas. Las proyectivas pueden modelar la perspectiva, como cuando líneas paralelas se encuentran en un punto de fuga. Las afines no pueden hacerlo.

En coordenadas homogéneas, las transformaciones proyectivas permiten una fila final más general que ([0,0,1]). Esa libertad adicional es la que genera los efectos de perspectiva.

Los conceptos afines también funcionan en dimensiones superiores, como las transformaciones homogéneas 4D en gráficos 3D.

Implementación de transformaciones afines

Las transformaciones afines son «matemáticas sencillas», pero su uso puede marcar la diferencia en el resultado.

Estabilidad numérica y precisión en transformaciones afines

Problemas habituales:

• Matrices casi singulares: si det(A) está cerca de 0, la inversión es inestable 
• Acumulación de errores en coma flotante: composiciones repetidas pueden derivar
• Escalas extremas: tamaños muy grandes o muy pequeños reducen la precisión

Buenas prácticas:

• Como alerta rápida, mira el número de condición (o al menos |det(A)|). 
• Para invertir, usa librerías estables como NumPy y Eigen.
• Cuando encadenes muchas operaciones, como en gráficos o robótica, re-ortonormaliza las matrices de rotación.

Implementación en GPU y procesamiento paralelo de transformaciones afines

Las transformaciones afines son masivamente paralelizables: cada punto o píxel se transforma de forma independiente. Esto las hace idóneas para SIMD y kernels de GPU.

Por eso las deformaciones de imagen y los pipelines de render funcionan tan bien en GPU: pueden realizar muchas multiplicaciones y sumas en paralelo.

Optimización habitual: usar operaciones fused multiply-add, agrupar transformaciones por lotes y reducir transferencias de memoria. 

Aplicaciones especializadas y extensiones de las transformaciones afines

Las transformaciones afines son «lo bastante rígidas» para muchas tareas y también sirven como base para modelos más flexibles.

Transformaciones afines con B-splines para registro no rígido

En morfometría e imagen médica, la alineación puramente afín es solo el primer paso. Tras un alineamiento grueso, los modelos de deformación con B-splines permiten warps suaves y no rígidos manteniendo puntos de control interpretables.

Piensa así: lo afín endereza el conjunto, y las B-splines afinan los detalles.

Invarianza afín en reconocimiento de patrones y visión por computador

Muchos sistemas de reconocimiento buscan ser invariantes afines para identificar objetos aunque el punto de vista cambie de forma aproximadamente afín. 

Técnicas:

• usar características invariantes afines (o normalizar parches)
• estimar marcos afines locales para puntos clave
• diseñar descriptores robustos a cizalla y escala

Esto hace más fiables tareas como emparejamiento, seguimiento y recuperación.

Transformaciones afines en SIG y sistemas geodésicos

En SIG, las transformaciones afines aparecen en la georreferenciación de mapas, la alineación de capas de distintas fuentes o como aproximaciones locales de conversiones de coordenadas.

Las transformaciones geodésicas reales pueden ser más complejas, pero los modelos afines suelen emplearse como aproximaciones locales o parte de un pipeline más amplio.

Librerías de software para transformaciones afines 

No tienes que empezar desde cero; la mayoría de ecosistemas ofrecen buen soporte.

Implementación de transformaciones afines en Python, C++ y Java

• Python: NumPy para álgebra matricial; OpenCV para deformaciones de imagen; SciPy para herramientas numéricas. 
• C++: Eigen (álgebra lineal), OpenCV (visión), GLM (matemáticas para gráficos)
• Java: Apache Commons Math y toolkits de visión según el stack

Idea central en todos los lenguajes:

1. Representa puntos como vectores
2. Aplica (Ax+b) (o multiplicación por la matriz homogénea)
3. Compón transformaciones mediante multiplicación de matrices. 
4. Invierte cuando sea necesario usando (A-1)

Mejores herramientas y librerías para transformaciones afines

Mejores herramientas y librerías para transformaciones afines. Fuente de la imagen: Napkin AI

Herramientas muy usadas:

• OpenCV: warpAffine, getAffineTransform, estimateAffine2D (flujos de visión)
• NumPy: operaciones matriciales en general
• Eigen: álgebra lineal C++ de alto rendimiento
• GLM / DirectXMath: librerías matemáticas orientadas a gráficos
• GDAL / PROJ (SIG): transformaciones de coordenadas y pipelines geoespaciales

Elige según tu dominio: OpenCV para imágenes, GLM para gráficos, GDAL/PROJ para SIG.

Otras perspectivas sobre las transformaciones afines

Escuchar la misma idea desde otro ángulo a veces ayuda a verla más clara.

Definiciones alternativas: aplicaciones y funciones afines

Un mapa afín puede definirse como una función que preserva la «santidad» de las combinaciones afines:

Esta formulación no se ata a un único origen, algo muy acorde con el espíritu de la geometría afín. Además, deja claro de inmediato que las rectas se transforman en rectas.

Transformaciones afines y la fórmula (y = mx + b)

Si las transformaciones afines te parecen abstractas, relaciónalas con algo conocido: (y=mx) es lineal (pasa por el origen) y (y=mx+b) es afín (misma pendiente más un desplazamiento).

En dimensiones superiores, (m) se convierte en una matriz (A), pero la historia es la misma: actúa linealmente y se desplaza.

Conclusión

Si lo reduces a lo esencial, las transformaciones afines vienen a decir: «Conservaré tu mundo de líneas rectas y aristas paralelas, pero no puedo prometer que tus ángulos sigan iguales».

Si piensas en términos de matrices y sistemas lineales, echa un vistazo a Linear Algebra for Data Science in R y a tutoriales centrados en matrices, como Row Echelon Form Explained.

Si quieres adentrarte en visión por computador, proyectos como Food Image Classification with Hugging Face y cursos como Working with Hugging Face son un buen siguiente paso.