Lecture 02 Review of Linear Algebra

最新推荐文章于 2022-07-17 15:13:40 发布

Highlight_Jin

最新推荐文章于 2022-07-17 15:13:40 发布

阅读量316

点赞数

分类专栏：计算机图形学文章标签：线性代数

本文链接：https://blog.csdn.net/Highlight_Jin/article/details/106392933

版权

计算机图形学专栏收录该内容

5 篇文章

订阅专栏

一、向量

1.向量通常表示为向量a或bold a；使用末位置的点坐标-初位置的点坐标；有方向和长度；没有绝对的开始位置。

2.向量正则化(Vector Normalization)：

向量的长度

单位向量：长度为1的向量，被用来表示方向。

计算公示： $\hat{a}=\frac{\vec{a}}{\left \| \vec{a} \right \|}$

3.向量加法

几何上使用平行四边形法则和三角形法则。

代数上使用简单坐标相加。

4.笛卡儿积

X和Y可以是任何向量，通常是正交的单位向量。

$A=\binom{x}{y}$ ， $A^{T}=\left ( x,y \right )$ ， $\left \| A \right \|=\sqrt{\left ( x^{2}+y^{2} \right )}$

5.向量乘法

（1）点积，结果是一个数。

$\vec a \cdot \vec b = \left\| \vec a \right\| \left\| \vec b \right\| \cos \theta$

$\cos \theta = \frac{\vec a \cdot \vec b}{\left\| \vec a \right\| \left\| \vec b \right\|}$

对于单位向量： $\cos \theta = \hat a \cdot \hat b$

点乘可以快速得到两个向量之间的夹角。

性质：满足交换律和分配率。

$\vec a \cdot \vec b = \vec b \cdot \vec a$

$\vec a \cdot \left( \vec b + \vec c \right) = \vec a \cdot \vec b + \vec a \cdot \vec c$

$\left( k \vec a \right) \cdot \vec b = \vec a \cdot \left( k \vec b \right) = k \left( \vec a \cdot \vec b \right)$

笛卡尔坐标系中点积：对应坐标相乘再相加。
点积在图形学中的应用：

两个向量之间的夹角

一个向量投影到另一个向量上

可以任意将一个向量分解到垂直方向、水平方向。

计算两个向量或两个方向的接近程度。

前与后的信息。

（2）叉积，结果是一个向量。

使用右手螺旋定则：四指代表旋转的方向，拇指代表叉乘后结果的方向。

在三维的空间中，如果 $\vec x \times \vec y = + \vec z$ ，则说是右手坐标系。（本课程中用的是右手坐标系）

叉积在图形学中的应用：

判定左/右

判定内/外

（3）标准正交基和坐标系（Orthonormal bases and coordinate frames）

二、矩阵

矩阵就是一系列的数字，排列成几行几列的形式。

矩阵&标量值相乘/相加：每个元素相乘/相加。
矩阵&矩阵相乘：(M×N)(N×P)(M×N)(N×P),要求前一个的列数 = 后一个矩阵的行数。

1.矩阵-矩阵相乘

前一个矩阵的列数=后一个矩阵的行数

性质：不满足交换律；满足结合律和分配律。

2.矩阵-向量相乘

一个向量可以看成m x 1的矩阵。

关于y轴对称： $\begin{pmatrix} -1 & 0 \\ 0 & 1 \end{pmatrix} \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} -x \\ y \end{pmatrix}$

3.矩阵转置

$\left( AB \right)^T = B^TA^T$

4.单位矩阵和逆矩阵

单位矩阵： $I_{3 \times 3} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}$

矩阵的逆： $AA^{-1} = A^{-1}A = I$

$\left( AB \right)^{-1} = B^{-1}A^{-1}$

5.用矩阵的形式表示向量相乘

点乘：

$\vec a \cdot \vec b = {\vec a}^T \vec b = \begin{pmatrix} x_a & y_a & z_a \end{pmatrix} \begin{pmatrix} x_b \\ y_b \\ z_b \end{pmatrix} = \left(x_ax_b + y_ay_b + z_az_b \right)$

叉乘：

$\vec a \times \vec b = A * b = \begin{pmatrix} 0 & -z_a & y_a \\ z_a & 0 & -x_a \\ -y_a & x_a & 0 \end{pmatrix} \begin{pmatrix} x_b \\ y_b \\ z_b \end{pmatrix}$