《计算机图形学编程》笔记——第三章

数学基础

计算机图形学中大量使用了数学原理，尤其是矩阵和矩阵代数。

3D图形学中几乎每个方面、每种效果——移动、缩放、透视、纹理、光照、阴影等都在很大程度上以数学方式实现。

矩阵

图形学中大量使用了矩阵相关的操作，特别是变换矩阵、视图矩阵、模型矩阵和投影矩阵以及LookAt矩阵。

1. 变换矩阵

这里的变换矩阵指的是：平移矩阵、旋转矩阵以及缩放矩阵。尽管视图矩阵也是变换矩阵，但是为了因为它在后续会被频繁使用，于是我们给它个机会，独立介绍。
实际上，坐标系的变换可能同时包含旋转、平移和缩放，通过变换矩阵的合成功能，我们可以非常容易得到一个表示连续变换的矩阵。

2. 视图矩阵

在世界坐标系中，我们知道某个点的坐标 $P_w$，但是在图形学中我们会构建一个虚拟相机，因此虚拟相机也有一个坐标系，我们需要在世界坐标系和虚拟相机坐标系之间进行变换，从而让虚拟相机观测到 $P_w$ 在其坐标系中的表示 $P_c$ 。
这个过程包含两个步骤：
a. 平移：首先将 $P_w$ 平移，其向量为负的期望相机位置。比如相机位置 $C=[C_x,C_y.C_z{]}^T$，那么平移量为 $t=[-C_x,-C_y.-C_z{]}^T$。
b. 旋转：将 KaTeX parse error: Expected '}', got 'EOF' at end of input: {P_{w} 旋转，其角度为负的期望相机旋转的欧拉角。原理如平移。

3. 投影矩阵

投影矩阵非常直观，就是将3D场景中的点投影到2D图像平面的变换。在SLAM中用得非常平凡，比如最经典的PNP算法，就是将3D点投影到2D平面构建重投影误差。而这个过程需要用到相机的内部参数，这个参数跟相机本身有关，因此图像学中需要为虚拟相机设置这些参数。
这里涉及到纵横比、视场、投影平面或近裁剪平面、远裁剪平面，即相机的结构，通过这些参数可以比较便捷地构相机参数。

4. LookAt矩阵

这个矩阵表示的是相机的摆放位置、朝向以看的方式。
简单理解：
a. 相机位置；相机摆放在哪里;
b. 看的方式：相机是正着摆放、还是反着摆放，这里需要有一个向量表示摆放的方式。比如人的头，我们通常是正着摆放的，所以提供一个垂直朝上的向量。如果我们歪头，那么向量就是侧的。
c. 朝向：即我们看向的方向。

代码及结果

这一讲中，我们将书中的代码进行整理并修改，使其适用于Linux系统。

详情可以参考代码：cg_book_practice/chapter_3/

这一讲的代码只有一个示例，就是构建了几个变换矩阵。

BUG

1. GLM

课本中提供的代码是直接采用了mat4这个数据类型，实际上笔者写出来发现没有该数据类型。于是通过多次查找发现，其包含于GLM中，需要声明glm头文件，并采用命名空间才可以使用。

glm::vec4 mPointPosition_;
glm::mat4 mProjMatrix_;

引用

[1] cg_book_practice/chapter_3/