游戏物理数学之《Matrix矩阵》

最新推荐文章于 2023-03-23 13:22:43 发布

BeiJiaan

最新推荐文章于 2023-03-23 13:22:43 发布

阅读量1.1k

点赞数 5

分类专栏：数学&物理（游戏与图形学）文章标签：游戏 matrix 数学 2d

本文链接：https://blog.csdn.net/BeiJiaan/article/details/77823484

版权

数学&物理（游戏与图形学）专栏收录该内容

2 篇文章 1 订阅

订阅专栏

《目录》

矩阵基础

　　在游戏开发中，游戏对象的平移、旋转和缩放都会涉及到矩阵的使用。而在OpenGL中，基本使用的转换方法也都是矩阵，所以，矩阵在游戏开发中是必须要掌握的数学知识。要了解游戏中对象的平移、旋转和缩放

1. 矩阵的定义：

　m x n 阶矩阵

　　由 m × n 个数 a_ij 排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。记作：

A = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 21 a 31 ⋮ a m 1 a 12 a 22 a 32 ⋮ a m 2 \dots \dots \dots ⋱ \dots a 1 n a 2 n a 3 n ⋮ a m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥

$\mathbf{A}= \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ a_{31} & a_{32} & \cdots & a_{3n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{bmatrix}$

　　这 m×n 个数称为矩阵A的元素，简称为元，数 a_ij 位于矩阵 A 的第 i 行第 j 列，称为矩阵 A 的 (i,j) 元，以数 a_ij 为 (i,j) 元的矩阵可记为 (a_ij) 或 (a_ij)_{m × n}，m×n 矩阵 A 也记作 A_mn。

　n 阶矩阵

　　行数与列数都等于 n 的矩阵称为 n阶矩阵 或 n阶方阵。

A = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 1 a 21 a 31 ⋮ a n 1 a 12 a 22 a 32 ⋮ a n 2 \dots \dots \dots ⋱ \dots a 1 n a 2 n a 3 n ⋮ a n n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥

$\mathbf{A}= \begin{bmatrix} a_{11} 1 & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ a_{31} & a_{32} & \cdots & a_{3n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{bmatrix}$

　单位矩阵

　　 n阶方阵，且对角元素为1，其他元素为0的矩阵。

I n = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ 10 ⋮ 0 01 ⋮ 0 \dots \dots ⋱ \dots 00 ⋮ 1 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥

$\mathbf{I_n}= \begin{bmatrix} 1 & 0 & \cdots & 0 \\ 0 & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 1 \\ \end{bmatrix}$

　实矩阵与复矩阵

　　元素是实数的矩阵称为 实矩阵，元素是复数的矩阵称为 复矩阵。

2. 矩阵的基本运算：

　　矩阵的基本运算包括矩阵的加法，减法，数乘，转置，共轭，共轭转置 和 矩阵的逆 ,以及最重要的乘法。在游戏中的转换运用，用的基本都是乘法的性质。

　《加法、减法、数乘》

　　矩阵的加减法和矩阵的数乘合称矩阵的线性运算。
　　
　　1. 加法：
　　矩阵的加法满足下列运算律(A，B，C必须都是 同型矩阵 )：

A + B = B + A

$A+B = B+A \quad$

(A + B) + C = A + (B + C)

$(A+B)+C=A+(B+C)$
　　具体如下：

[i 0 l 0 j 0 m 0 k 0 n 0] + [i 1 l 1 j 1 m 1 k 1 n 1] = [i 0 + i 1 l 0 + l 1 j 0 + j 1 m 0 + m 1 0 k 0 + k 1 n 0 + n 1]

$\begin{bmatrix} i_0 & j_0 & k_0 \\ l_0 & m_0 & n_0 \\ \end{bmatrix}+ \begin{bmatrix} i_1 & j_1 & k_1 \\ l_1 & m_1 & n_1 \\ \end{bmatrix}= \begin{bmatrix} i_0+i_1 & j_0+j_1 & k_0+k_1 \\ l_0+l_1 & m_0+m_10& n_0+n_1 \\ \end{bmatrix}$

　　
　　2. 减法
　　同矩阵的假发一样，满足以下运算规律(A，B，C必须都是 同型矩阵 )：

A - B = - B + A

$A-B = -B+A \quad$

(A - B) + C = A + (C - B)

$(A-B)+C=A+(C-B)$
　　具体如下：

[i 0 + i 1 l 0 + l 1 j 0 + j 1 m 0 + m 1 0 k 0 + k 1 n 0 + n 1] - [i 1 l 1 j 1 m 1 k 1 n 1] = [i 0 l 0 j 0 m 0 k 0 n 0]

$\begin{bmatrix} i_0+i_1 & j_0+j_1 & k_0+k_1 \\ l_0+l_1 & m_0+m_10& n_0+n_1 \\ \end{bmatrix}- \begin{bmatrix} i_1 & j_1 & k_1 \\ l_1 & m_1 & n_1 \\ \end{bmatrix}= \begin{bmatrix} i_0 & j_0 & k_0 \\ l_0 & m_0 & n_0\\ \end{bmatrix}$

　　3.数乘（与实数相乘）
　　矩阵的数乘满足以下规律：

(γ μ) A = γ (μ A)

$(\gamma\mu)\mathbf{A} = \gamma(\mu\mathbf{A})$

(γ + μ) A = γ A + μ A

$(\gamma+\mu)\mathbf{A}=\gamma\mathbf{A}+\mu\mathbf{A}$

γ (A + B) = γ A + γ B

$\gamma(\mathbf{A}+\mathbf{B})=\gamma\mathbf{A}+\gamma\mathbf{B}$

k A = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ k a 11 k a 21 k a 31 ⋮ k a m 1 k a 12 k a 22 k a 32 ⋮ k a m 2 \dots \dots \dots ⋱ \dots k a 1 n k a 2 n k a 3 n ⋮ k a m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥

$k\mathbf{A}= \begin{bmatrix} ka_{11} & ka_{12} & \cdots & ka_{1n} \\ ka_{21} & ka_{22} & \cdots & ka_{2n} \\ ka_{31} & ka_{32} & \cdots & ka_{3n} \\ \vdots & \vdots & \ddots & \vdots \\ ka_{m1} & ka_{m2} & \cdots & ka_{mn} \\ \end{bmatrix}$

　《转置、共轭、共轭转置、矩阵的逆》

　　1. 转置
　　把矩阵A的行和列互相交换所产生的矩阵称为A的转置矩阵，这一过程称为矩阵的转置；

[i l j m k n] T = ⎡ ⎣ ⎢ i j k l m n ⎤ ⎦ ⎥

$\begin{bmatrix}i&j&k\\l&m&n \end{bmatrix}^T=\begin{bmatrix}i&l\\j&m\\k&n \end{bmatrix}$
　　矩阵的转置满足以下运算律：

(A T) T = A

$(\mathbf{A}^T)^T=\mathbf{A}$

(γ A) T = γ A T

$(\gamma\mathbf{A})^T=\gamma\mathbf{A}^T$

(A B) T = B T A T

$(\mathbf{A}\mathbf{B})^T=\mathbf{B}^T\mathbf{A}^T$

　　2. 共轭
　　矩阵的共轭定义为:

(A) i, j = A i, j ¯ ¯ ¯ ¯ ¯ ¯

$(\mathbf{A})_{i,j}=\overline{\mathbf{A}_{i,j}}$
　　例如：一个2X2的复数矩阵，其共轭方式如下

A = [3 + i 2 - 2 i 5 i]

$\mathbf{A}=\begin{bmatrix}3+i&5\\2-2i&i \end{bmatrix}$

A ¯ ¯ ¯ = [3 - i 2 + 2 i 5 - i]

$\overline{\mathbf{A}}=\begin{bmatrix}3-i&5\\2+2i&-i \end{bmatrix}$ 　
　
　　3. 共轭转置
　　矩阵的共轭转置定义为：

(A *) i, j = A j, i ¯ ¯ ¯ ¯ ¯ ¯

$(A^*)_{i,j}=\overline{\mathbf{A}_{j,i}}$
　　也可以写成：

A * = (A ¯ ¯ ¯) T = A T ¯ ¯ ¯ ¯ ¯

$\mathbf{A}^*=(\overline{\mathbf{A}})^T=\overline{\mathbf{A}^T}$
　　例如：一个2X2的复数矩，其共轭转置方式如下

A = [3 + i 2 - 2 i 5 i]

$\mathbf{A}=\begin{bmatrix}3+i&5\\2-2i&i \end{bmatrix}$

A * = [3 - i 5 2 + 2 i - i]

$\mathbf{A}^*=\begin{bmatrix}3-i&2+2i\\5&-i \end{bmatrix}$

　　4. 矩阵的逆
　　矩阵的共轭转置定义为：

A - 1 n = 1 | A n | A n *

$\mathbf{A_n^{-1}}=\frac{1}{\left|\mathbf{A_n}\right|}\mathbf{A_n}^*$

A n A n * = I n

$\mathbf{A_n}\mathbf{A_n}^*=\mathbf{I_n}$

( A_n* 为 A_n 的 伴随矩阵； |A_n| 为 A_n 的 行列式 ； |I_n| 为 n阶的 单位矩阵 )
　　对于一个 n阶矩阵 A，若存在一个 n阶矩阵 B，使得 AB=BA=I_n，则称 B 是 A 的 逆矩阵，记为 B=A^-1；
　

　《矩阵的行列式》

　　一个n×n的正方矩阵A的行列式记为 det（A） 或者 |A| ；
　　一个3×3矩阵的行列式可表示如下：

d e t ⎛ ⎝ ⎜ a d g b e h c f i ⎞ ⎠ ⎟ = a e i + b f g + c d h - a f h - b d i h - c e g

$\mathbf{det\begin{pmatrix}a&b&c\\d&e&f\\g&h&i \end{pmatrix}}=aei+bfg+cdh-afh-bdih-ceg$

　《乘法》

　　两个矩阵的乘法仅当第一个矩阵 A_mp 的列数 p 和另一个矩阵 B_pn 的行数 p 相等时，才能定义。

C = (c i j) m \times p = A m \times n B n \times p

$\mathbf{C}=(c_{ij})_{m×p}=\mathbf{A}_{m×n}\mathbf{B}_{n×p}$

c i j = \sum l = 1 n a i l b l j

$\mathbf{c}_{ij}=\sum_{l=1}^n\mathbf{a}_{il}\mathbf{b}_{lj}$
　　其满足 结合律 和 分配律；

(A B) C = A (B C)

$(\mathbf{AB})\mathbf{C}=\mathbf{A}(\mathbf{BC})$

(A + B) C = A C + B C

$(\mathbf{A+B})\mathbf{C}=\mathbf{AC+BC}$

C (A + B) = C A + C B

$\mathbf{C}(\mathbf{A+B})=\mathbf{CA+CB}$
　　例如：一个2×3矩阵与3×2矩阵相乘，如下

[1 - 1 0321] \times ⎡ ⎣ ⎢ 321110 ⎤ ⎦ ⎥ = [(1 \times 3 + 0 \times 2 + 2 \times 1) (- 1 \times 3 + 3 \times 2 + 1 \times 1) (1 \times 1 + 0 \times 1 + 2 \times 0) (- 1 \times 1 + 3 \times 1 + 1 \times 0)] = [5412]

$\begin{bmatrix}1&0&2\\-1&3&1 \end{bmatrix}×\begin{bmatrix}3&1\\2&1\\1&0 \end{bmatrix}=\begin{bmatrix}(1×3+0×2+2×1)&(1×1+0×1+2×0)\\(-1×3+3×2+1×1)&(-1×1+3×1+1×0)\end{bmatrix}=\begin{bmatrix}5&1\\4&2 \end{bmatrix}$

（矩阵不满足交换律）

游戏中的矩阵应用（2D）

1. 基础二维变换：

　《二维的向量操作》

　　1. 平移变换 (translation transformation)

　　将点 P(x, y)在 x轴方向、 y轴方向分别平移距离 t_x， t_y，得到点 P´(x׳, y׳)，则：

P' {x' = x + t x y' = y + t y

$\mathbf{P'}\Big\{\begin{matrix}x'=x+t_x\\y'=y+t_y \end{matrix}$
　　图示：
translate_1

P' = P + T

$P'=P+T$
　　矩阵表示：

P = [x y]

$\mathbf{P}=\begin{bmatrix}x\\y \end{bmatrix}$

T = [t x t y]

$\mathbf{T}=\begin{bmatrix}t_x\\t_y \end{bmatrix}$

P' = P + T = [x + t x y + t y] = [x' y']

$\mathbf{P'=P+T}=\begin{bmatrix}x+t_x\\y+t_y\end{bmatrix}=\begin{bmatrix}x'\\y' \end{bmatrix}$ 平移量 T记为 T(t_x ,t_y)
　　 2. 旋转变换(rotation transformation)
这里写图片描述

　　点 P(x, y)的极坐标表示（r为P 到原点的距离）
这里写图片描述

　　绕坐标原点（称为参照点，基准点）旋转角度θ （逆时针为正，顺时针为负）

P' {x' = r \cdot c o s (θ + \emptyset) y' = r \cdot s i n (θ + \emptyset)

$\mathbf{P'}\Big\{\begin{matrix} x'=r·cos(\theta+\emptyset)\\y'=r·sin(\theta+\emptyset) \end{matrix}$

P {x = r \cdot c o s \emptyset y = r \cdot s i n \emptyset

$\mathbf{P}\Big\{\begin{matrix}x=r·cos\emptyset\\y=r·sin\emptyset \end{matrix}$
　　即：

P' {x' = r \cdot c o s \emptyset c o s θ - r \cdot s i n \emptyset s i n θ = x \cdot c o s θ - y \cdot s i n θ y' = r \cdot c o s \emptyset s i n θ + r \cdot s i n \emptyset c o s θ = x \cdot s i n θ + y \cdot c o s θ

$\mathbf{P'}\Big\{\begin{matrix}x'=r·cos\emptyset cos\theta-r·sin\emptyset sin\theta=x·cos\theta-y·sin\theta\\y'=r·cos\emptyset sin\theta+r·sin\emptyset cos\theta=x·sin\theta+y·cos\theta \end{matrix}$

P' = R \cdot P

$\mathbf{P'=R·P}$
　　矩阵表示：

P' = R \cdot P = [c o s θ s i n θ - s i n θ c o s θ] [x y] = [x \cdot c o s θ - y \cdot s i n θ x \cdot s i n θ + y \cdot c o s θ]

$\mathbf{P'=R·P}=\begin{bmatrix}cos\theta&-sin\theta\\sin\theta&cos\theta \end{bmatrix}\begin{bmatrix}x\\y \end{bmatrix}=\begin{bmatrix}x·cos\theta-y·sin\theta\\x·sin\theta+y·cos\theta \end{bmatrix}$ 旋转量 R记为 R(θ)
　　 3. 缩放变换(scaling transformation)
　　将点P(x, y)在x方向, y方向分别放缩 sx 和 sy 倍，得到点P´(x׳, y׳)
这里写图片描述

　　以坐标原点为放缩参照（基准）点不仅改变了物体的大小和形状，也改变了它离原点的距离

P' {x' = s x x y' = s y y

$\mathbf{P'}\Big\{\begin{matrix}x'=s_xx\\y'=s_yy \end{matrix}$
　　即：

P' = S \cdot P

$\mathbf{P'=S·P}$
　　矩阵表示：

P' = S \cdot P = [S x 0 0 S y] [x y] = [S x x S y y]

$\mathbf{P'=S·P}=\begin{bmatrix}S_x&0\\0&S_y \end{bmatrix} \begin{bmatrix}x\\y \end{bmatrix}=\begin{bmatrix}S_xx\\S_yy \end{bmatrix}$ 缩放量 S记为 S(s_x,s_y)

　《平移、旋转、缩放操作的统一运算：矩阵》

　　1. 齐次坐标（Homogeneous Coordinate）
　　　为什么需要齐次坐标？
　　　齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示。例如，二维点(x,y)的齐次坐标表示为(hx,hy,h)。
　　　由此可以看出，一个向量的齐次表示并不是唯一的，齐次坐标的h取不同的值都表示的是同一个点，比如齐次坐标(8,4,2)、(4,2,1)表示的都是二维点(4,2)；
　　　直接使用上方各个形式不统一的矩阵，会带来很多的不便：
　　　①由于形式不统一，进行多种变换时，计算量会很大；
　　　②同时，运算的形式也不统一，平移为“+”，旋转缩放为“×”；
　　　定义
　　　（x，y）点对应的齐次坐标定义为（x_h，y_h，h）;

x h = h x y h = h y h \neq 0

$\mathbf{x_h=hx\qquad y_h=hy\qquad h≠0}$

{x h = h x y h = h y z h = h

$\Biggl\{\begin{matrix}x_h=hx\\y_h=hy\\z_h=h \end{matrix}$

（x，y）点对应的齐次坐标为三维空间的一条直线
　　　标准齐次坐标 （x，y，1）， h＝0表示无穷远点

　　2. 二维变换的统一矩阵表示

统一表示的优点：
①便于变换合成连续变换时，可以先得到变换的矩阵；
②便于硬件实现；

　　①平移矩阵 T(t_x,t_y)

T (t x, t y) ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ 100010 t x t y 1 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ x + t x y + t y 1 ⎤ ⎦ ⎥

$\mathbf{T(t_x,t_y)}\begin{bmatrix}x\\y\\1 \end{bmatrix}=\begin{bmatrix}1&0&t_x\\0&1&t_y\\0&0&1 \end{bmatrix}\begin{bmatrix}x\\y\\1 \end{bmatrix}=\begin{bmatrix}x+t_x\\y+t_y\\1 \end{bmatrix}$
　　 ②旋转矩阵 R(θ)

R (θ) ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ c o s θ s i n θ 0 - s i n θ c o s θ 0 001 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ w y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ x \cdot c o s θ - y \cdot s i n θ x \cdot s i n θ + y \cdot c o s θ 1 ⎤ ⎦ ⎥

$\mathbf{R(\theta)}\begin{bmatrix}x\\y\\1 \end{bmatrix}=\begin{bmatrix}cos\theta&-sin\theta&0\\sin\theta&cos\theta&0\\0&0&1 \end{bmatrix}\begin{bmatrix}w\\y\\1 \end{bmatrix}=\begin{bmatrix}x·cos\theta-y·sin\theta\\x·sin\theta+y·cos\theta\\1 \end{bmatrix}$
　　 ③缩放矩阵 S(s_x,s_y)

S (s x, s y) ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ s x 00 0 s y 0 001 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ s x x s y y 1 ⎤ ⎦ ⎥

$\mathbf{S(s_x,s_y)}\begin{bmatrix}x\\y\\1 \end{bmatrix}=\begin{bmatrix}s_x&0&0\\0&s_y&0\\0&0&1 \end{bmatrix} \begin{bmatrix}x\\y\\1 \end{bmatrix}=\begin{bmatrix}s_xx\\s_yy\\1 \end{bmatrix}$
　　 3. 变换的性质
　　 ①平移和旋转变换具有可加性

T (t x 2, t y 2) \cdot T (t x 1, t y 1) = T (t x 1 + t x 2, t y 1 + t y 2)

$\mathbf{T(t_{x2},t_{y2})·T(t_{x1},t_{y1})=T(t_{x1}+t_{x2},t_{y1}+t_{y2})}$

R (θ 2) \cdot R (θ 1) = R (θ 1 + θ 2)

$\mathbf{R(\theta_2)·R(\theta_1)=R(\theta_1+\theta_2)}$
　　 ②放缩变换具有可乘性

S (s x 2, s y 2) \cdot S (s x 1, s y 1) = S (s x 1 s x 2, s y 1 s y 2)

$\mathbf{S(s_{x2},s_{y2})·S(s_{x1},s_{y1})=S(s_{x1}s_{x2},s_{y1}s_{y2})}$
　　 4. 逆变换
　　 ①逆平移变换

T = ⎡ ⎣ ⎢ 100010 t x t y 1 ⎤ ⎦ ⎥

$\mathbf{T=}\begin{bmatrix}1&0&t_x\\0&1&t_y\\0&0&1 \end{bmatrix}$

T - 1 = ⎡ ⎣ ⎢ 100010 - t x - t y 1 ⎤ ⎦ ⎥

$\mathbf{T^{-1}=}\begin{bmatrix}1&0&-t_x\\0&1&-t_y\\0&0&1 \end{bmatrix}$

T \cdot T - 1 = ⎡ ⎣ ⎢ 100010 t x - t x t y - t y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ 100010001 ⎤ ⎦ ⎥

$\mathbf{T·T^{-1}=}\begin{bmatrix}1&0&t_x-t_x\\0&1&t_y-t_y\\0&0&1 \end{bmatrix}=\begin{bmatrix}1&0&0\\0&1&0\\0&0&1 \end{bmatrix}$
　　 ②逆旋转变换

R = ⎡ ⎣ ⎢ c o s θ s i n θ 0 - s i n θ c o s θ 0 001 ⎤ ⎦ ⎥

$\mathbf{R=}\begin{bmatrix}cos\theta&-sin\theta&0\\sin\theta&cos\theta&0\\0&0&1 \end{bmatrix}$

R - 1 = ⎡ ⎣ ⎢ c o s θ s i n θ 0 s i n θ c o s θ 0 001 ⎤ ⎦ ⎥

$\mathbf{R^{-1}=}\begin{bmatrix}cos\theta&sin\theta&0\\sin\theta&cos\theta&0\\0&0&1 \end{bmatrix}$

R R - 1 = ⎡ ⎣ ⎢ c o s 2 θ + s i n 2 θ s i n θ c o s θ - c o s θ s i n θ 0 c o s θ s i n θ - s i n θ c o s θ s i n 2 θ + c o s 2 θ 0 001 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ 100010001 ⎤ ⎦ ⎥

$\mathbf{RR^{-1}=}\begin{bmatrix}cos^2\theta+sin^2\theta&cos\theta sin\theta-sin\theta cos\theta&0\\sin\theta cos\theta-cos\theta sin\theta&sin^2\theta+cos^2\theta&0\\0&0&1 \end{bmatrix}=\begin{bmatrix}1&0&0\\0&1&0\\0&0&1 \end{bmatrix}$
　　 ③逆缩放变换

S = ⎡ ⎣ ⎢ s x 00 0 s y 0 001 ⎤ ⎦ ⎥

$\mathbf{S=}\begin{bmatrix}s_x&0&0\\0&s_y&0\\0&0&1 \end{bmatrix}$

S - 1 = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ 1 s x 00 0 1 s y 0 001 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥

$\mathbf{S^{-1}=}\begin{bmatrix}\frac{1}{s_x}&0&0\\0&\frac{1}{s_y}&0\\0&0&1 \end{bmatrix}$

S S - 1 = ⎡ ⎣ ⎢ 100010001 ⎤ ⎦ ⎥

$\mathbf{SS^{-1}=}\begin{bmatrix}1&0&0\\0&1&0\\0&0&1 \end{bmatrix}$

2. 复合变换（Composite transformation）：

变换合成时，矩阵相乘的顺序：先作用的放在连乘的右端，后作用的放在连乘的左端；

　《变换合成》

　　连续变换时，先计算变换矩阵，再计算坐标；
　　优点1：提高了对图形依次做多次变换的运算效率
　　如：图形上有n个顶点Pi，如果依次施加的变换为T，R（即先平移后旋转），那么顶点Pi 变换后的坐标为：

每 个 顶 点 需 要 2 次 矩 阵 相 乘 P' i = R (θ) \cdot T (t x, t y) \cdot P i

$\text{每个顶点需要2次矩阵相乘}\qquad\mathbf{P'_i=R(\theta)·T(t_x,t_y)·P_i}$

只 需 要 1 次 矩 阵 相 乘 P' i = (R (θ) \cdot T (t x, t y)) \cdot P i = T \cdot P i

$\text{只需要1次矩阵相乘}\qquad\mathbf{P'_i=(R(\theta)·T(t_x,t_y))·P_i=T·P_i}$
　　 优点2：能构造复杂的变换矩阵
　　对图形作较复杂的变换时，不直接去计算这个变换，而是将其先分解成多个基本变换，再合成总的变换。
　　多个变换的组合，可通过单个变换矩阵来计算矩阵乘积；

　《连续变换》

　　1. 连续平移
　　平移向量为(t1x，t1y)和(t2x，t2y)，点P 经变换为P´，则有：

P' = T (t 2 x, t 2 y) \cdot {T (t 2 x, t 2 y) \cdot P} = {T (t 2 x, t 2 y) \cdot T (t 1 x, t 1 y)} \cdot P

$\mathbf{P'=T(t_{2x},t_{2y})·\{T(t_{2x},t{2y})·P\}=\{T(t_{2x},t_{2y})·T(t_{1x},t_{1y})\}·P}$

T (t 2 x, t 2 y) \cdot T (t 1 x, t 1 y) = ⎡ ⎣ ⎢ 100010 t 2 x t 2 y 1 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ 100010 t 1 x t 1 y 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ 100010 t 1 x + t 2 x t 1 y + t 2 y 1 ⎤ ⎦ ⎥ = T (t 1 x + t 2 x, t 1 y + t 2 y)

$\mathbf{T(t_{2x},t_{2y})·T(t_{1x},t_{1y})=}\begin{bmatrix}1&0&t_{2x}\\0&1&t_{2y}\\0&0&1 \end{bmatrix}\begin{bmatrix}1&0&t_{1x}\\0&1&t_{1y}\\0&0&1 \end{bmatrix}=\begin{bmatrix}1&0&t_{1x}+t_{2x}\\0&1&t_{1y}+t_{2y}\\0&0&1 \end{bmatrix}=\mathbf{T(t_{1x}+t_{2x},t_{1y}+t{2y})}$
　　 2. 连续旋转
　　P 经连续旋转角度分别为θ ₁和θ ₂后:

P' = R (θ 2) \cdot {R (θ 1) \cdot P} = {R (θ 2) \cdot R (θ 1)} \cdot P

$\mathbf{P'=R(θ_2)·\{R(θ_1)·P\}=\{R(θ_2)·R(θ_1)\}·P}$

R (θ 2) \cdot R (θ 1) = ⎡ ⎣ ⎢ c o s θ 2 s i n θ 2 0 - s i n θ 2 c o s θ 2 0 001 ⎤ ⎦ ⎥ \cdot ⎡ ⎣ ⎢ c o s θ 1 s i n θ 1 0 - s i n θ 1 c o s θ 1 0 001 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ c o s (θ 1 + θ 2) s i n (θ 1 + θ 2) 0 - s i n (θ 1 + θ 2) c o s (θ 1 + θ 2) 0 001 ⎤ ⎦ ⎥ = R (θ 1 + θ 2)

$\mathbf{R(θ_2)·R(θ_1)=}\begin{bmatrix}cos\theta_2&-sin\theta_2&0\\sin\theta_2&cos\theta_2&0\\0&0&1 \end{bmatrix}·\begin{bmatrix}cos\theta_1&-sin\theta_1&0\\sin\theta_1&cos\theta_1&0\\0&0&1 \end{bmatrix}=\begin{bmatrix}cos(\theta_1+\theta_2)&-sin(\theta_1+\theta_2)&0\\sin(\theta_1+\theta_2)&cos(\theta_1+\theta_2)&0\\0&0&1 \end{bmatrix}=\mathbf{R(\theta_1+\theta_2)}$
　　 3. 连续缩放
　　连续放缩因子分别为：(s1x, s1y) 和 (s2x, s2y)

S (s 2 x, s 2 y) \cdot S (s 1 x, s 1 y) = S (s 1 x \cdot s 2 x, s 1 y \cdot s 2 y)

$\mathbf{S(s_{2x},s_{2y})·S(s_{1x},s_{1y})=S(s_{1x}·s_{2x},s_{1y}·s_{2y})}$

⎡ ⎣ ⎢ s 2 x 00 0 s 2 y 0 001 ⎤ ⎦ ⎥ \cdot ⎡ ⎣ ⎢ s 1 x 00 0 s 1 y 0 001 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ s 1 x \cdot s 2 x 00 0 s 1 y \cdot s 2 y 0 001 ⎤ ⎦ ⎥

$\begin{bmatrix}s_{2x}&0&0\\0&s_{2y}&0\\0&0&1 \end{bmatrix}·\begin{bmatrix}s_{1x}&0&0\\0&s_{1y}&0\\0&0&1 \end{bmatrix}=\begin{bmatrix}s_{1x}·s_{2x}&0&0\\0&s_{1y}·s_{2y}&0\\0&0&1 \end{bmatrix}$

3. 基于任意参照点的二维变换：

　《任意点的旋转变换》

　　步骤：
　　①平移对象使参照（基准）点移到原点
　　②绕坐标原点旋转
　　③平移对象使基准点回到原始位置

其 组 成 的 复 合 矩 阵 为 ： R (x r, y r; θ) = T (x r, y r) \cdot R (θ) \cdot T (- x r, - y r)

$\text{其组成的复合矩阵为：}\mathbf{R(x_r,y_r;\theta)=T(x_r,y_r)·R(\theta)·T(-x_r,-y_r)}$

= ⎡ ⎣ ⎢ 100010 x r y r 1 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ c o s θ s i n θ 0 - s i n θ c o s θ 0 001 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ 100010 - x r - y r 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ c o s θ s i n θ 0 - s i n θ c o s θ 0 x r (1 - c o s θ) + y r s i n θ y r (1 - c o s θ) - x r s i n θ 1 ⎤ ⎦ ⎥

$=\begin{bmatrix}1&0&x_r\\0&1&y_r\\0&0&1 \end{bmatrix}\begin{bmatrix}cos\theta&-sin\theta&0\\sin\theta&cos\theta&0\\0&0&1 \end{bmatrix}\begin{bmatrix}1&0&-x_r\\0&1&-y_r\\0&0&1 \end{bmatrix}=\begin{bmatrix}cos\theta&-sin\theta&x_r(1-cos\theta)+y_rsin\theta\\sin\theta&cos\theta&y_r(1-cos\theta)-x_rsin\theta\\0&0&1 \end{bmatrix}$

　《任意点的缩放变换》

　　步骤：
　　①平移对象使基准点与坐标原点重合
　　②放缩变换
　　③反向平移使得基准点回到初始位置

其 组 成 的 复 合 矩 阵 为 为 ： S (x r, y r; s x, s y) = T (x r, y r) \cdot S (s x, s y) \cdot T (- x r, - y r)

$\text{其组成的复合矩阵为为：}\mathbf{S(x_r,y_r;s_x,s_y)=T(x_r,y_r)·S(s_x,s_y)·T(-x_r,-y_r)}$

= ⎡ ⎣ ⎢ 100010 x r y r 1 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ s x 00 0 s y 0 001 ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ 100010 - x r - y r 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ s x 00 0 s y 0 x r (1 - s x) y r (1 - s y) 1 ⎤ ⎦ ⎥

$=\begin{bmatrix}1&0&x_r\\0&1&y_r\\0&0&1 \end{bmatrix}\begin{bmatrix}s_x&0&0\\0&s_y&0\\0&0&1 \end{bmatrix}\begin{bmatrix}1&0&-x_r\\0&1&-y_r\\0&0&1 \end{bmatrix}=\begin{bmatrix}s_x&0&x_r(1-s_x)\\0&s_y&y_r(1-s_y)\\0&0&1 \end{bmatrix}$