Chapter 6 Transformation Matrices

最新推荐文章于 2022-06-16 10:54:32 发布

单色光光

最新推荐文章于 2022-06-16 10:54:32 发布

阅读量424

点赞数

分类专栏： Fundamental of Computer Graphics

本文链接：https://blog.csdn.net/lele0503/article/details/105880629

版权

Fundamental of Computer Graphics 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

（个人笔记，由于刚开始学习再加上英语不太好，所以有的地理解的可能不太对，望指正）

Chapter 6 Transformation Matrices

6.1 2D Linear Transformation

6.1.1 Scaling

$scale(s_x, s_y) = \begin{bmatrix} s_x & 0 \\ 0 & s_y \end{bmatrix}$

6.1.2 Shearing

$\begin{bmatrix} 1 & s \\ 0 & 1 \end{bmatrix} \\ shearY(s) = \begin{bmatrix} 1 & 0 \\ s & 1 \end{bmatrix}$

shear操作可以看作是只沿一个方向进行旋转

6.1.3 Rotation

$rotate(\phi)=\begin{bmatrix} cos\phi & -sin\phi \\ sin\phi & cos\phi \end{bmatrix}$

计算过程：

$\sqrt{x_a^2 + y_a^2} \\ x_a = r cos\alpha \\ y_a = r sin \alpha \\ x_b = r cos(\alpha + \phi) = rcos\alpha cos\phi - rsin\alpha sin\phi \\ y_b = r sin(\alpha + \phi) = rsin\alpha cos\phi + rcos\alpha sin\phi$

如图所示：

在这里插入图片描述

旋转矩阵是正交矩阵

6.1.4 Reflection

$\begin{bmatrix} -1 & 0 \\ 0 & 1 \end{bmatrix} \\ reflectX = \begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}$

6.1.5 Composition and Decomposition of Transformations

6.1.6 Decoposition of Transformations

Symmetric Eigenvalue Decomposition

对于对称矩阵来说，可以进行以下分解过程：

$A = RSR^{T}$

R表示旋转，S表示缩放。

Singular Value Decomposition

对于非对称矩阵来说，可以使用奇异值分解。

$A = USV^{T}$

对于奇异值分解来说UV可能不表示旋转，也可能表示反射，可以通过行列式的值判断：+1表示旋转，-1表示反射。

Paeth Decomposition of Rotations

使用shear操作代替旋转操作

$\begin{bmatrix} cos\phi & -sin\phi \\ sin\phi & cos\phi \end{bmatrix}=\begin{bmatrix} 1 & \frac{cos\phi-1}{sin\phi} \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 0 \\ sin\phi & 1 \end{bmatrix}\begin{bmatrix} 1 & \frac{cos\phi-1}{sin\phi} \\ 0 & 1 \end{bmatrix}$

该转化对于raster rotation非常有效，因为对于raster operation来说，shear操作是很高效的。

6.2 3D Linear Transformations

缩放

$scale(s_x, s_y, s_z) = \begin{bmatrix} s_x & 0 & 0 \\ 0 & s_y & 0 \\ 0 & 0 & s_z \end{bmatrix}$

旋转

$rotateZ(\phi)=\begin{bmatrix} cos\phi & -sin\phi & 0 \\ sin\phi & cos\phi & 0 \\ 0 & 0 & 1 \end{bmatrix} \\ rotateX(\phi)=\begin{bmatrix} 1 & 0 & \\ cos\phi & -sin\phi & 0 \\ sin\phi & cos\phi & 0 \end{bmatrix} \\ rotateY(\phi)=\begin{bmatrix} cos\phi & 0 & sin\phi \\ 0 & 1 & 0 \\ -sin\phi & 0 & cos\phi \end{bmatrix}$

shear

$shearX(d_y, d_z) = \begin{bmatrix} 1 & d_y & d_z \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}$

6.2.1 Arbitrary 3D Rotation

绕任意向量旋转，可以首先将以该向量建立一个基，从该坐标系转换到标准坐标系，利用绕坐标轴旋转完成之后，再利用旋转矩阵的逆矩阵转回来:

$\begin{bmatrix} x_u & x_v & x_w \\ y_u & y_v & y_w \\ z_u & z_v & z_w \end{bmatrix}\begin{bmatrix} cos\phi & -sin\phi & 0 \\ sin\phi & cos\phi & 0 \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} x_u & y_u & z_u \\ x_v & y_v & z_v \\ x_w & y_w & z_w \end{bmatrix}$

If we have a rotation matrix and we wish to have the rotation in axis-angle form, we can compute the one real eigenvalue (which will be λ = 1), and the corresponding eigenvector is the axis of rotation. This is the one axis that is not changed by the rotation.

6.2.2 Transforming Normal Vectors

法线向量的变换不能直接用顶点转换矩阵M进行转换

在这里插入图片描述

设法线为n，切线为t，法线转化矩阵为N。

首先有

$n^{T}t = 0$

那么经过转换之后法线和切线也仍然垂直，所以有

$n^{T}_Nt_M = 0 \ \ \ (6-1)$

推导

$n^Tt=n^TIt=n^TM^{-1}Mt=0 \\ (n^TM^{-1})t_M=0\\$

根据6-1，可得

$n^{T}_N = n^TM^{-1} \\ n_N = (n^TM^{-1})^{T} = (M^{-1})^{T}n$

所以法线转换矩阵为 $M^{-1})^{T}$

6.3 Translation and Affine Transformations

要移动一个物体，不能仅通过一个同维度的矩阵乘法实现。一种处理思路是使用矩阵表示旋转缩放等操作，一个向量表示移动，但是这种方法不够简洁，可以使用一个矩阵结合这两种操作，对于2维空间来说，可以为

$\begin{bmatrix} m_{11} & m_{12} & x_t \\ m_{21} & m_{22} & y_t \\ 0 & 0 & 1 \end{bmatrix} \\ \begin{bmatrix} x' \\ y' \\ 1 \end{bmatrix}= \begin{bmatrix} m_{11} & m_{12} & x_t \\ m_{21} & m_{22} & y_t \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}=\begin{bmatrix} m_{11}x + m_{12}y + x_t \\ m_{21}x + m_{22}y + y_t \\ 1 \end{bmatrix}$

这种变换称为仿射变换(affine transformation)，这种添加一个额外的维度来实现放射变换的方法称为齐次坐标(homogeneous coordinates)。如果需要表示向量，则可以把第三个维度设为0，那么变换过程就不收到位移的影响了，也就是说第三个维度为1时，表示一个位置；为0时，表示一个向量。

6.4 Inverse of Transformation Matrices

一个转换的逆是相反方向的转换，例如有变换 $M=M_1M_2...M_n$ ，那么它的逆是 $M^{-1}=M_n^{-1}...M_2^{-1}M_1^{-1}$ 。

除了缩放、旋转等表较容易获得逆矩阵的操作，对于一般矩阵来说也可以使用SVD分解来对其进行求逆矩阵的运算：

$R_1scale(\sigma_1, \sigma_2, \sigma_3)R_2 \\ M^{-1} = R_2^Tscale(1/\sigma_1, 1/\sigma_2, 1/\sigma_3)R_1^T$

6.5 Coordinate Transformations

一般来说，一个坐标系统由一个顶点和三个正交基组成，在一个坐标系中，原点 $p$ 和基 $\{\vec{u}, \vec{v}, \vec{w}\}$ ，那么坐标(u, v, w)表示的坐标为

$u\vec{u} + v\vec{v} + w\vec{w}$

不同嵌套坐标系之间的转换，以2维空间为例，

在这里插入图片描述

$(x_p, y_p) = o + x_p\vec{x} + y_p\vec{y} \\ p = (u_p, v_p) = e + u_p\vec{u} + v_p\vec{v}$

那么两个坐标系的转换关系为

$\begin{bmatrix} x_p \\ y_p \\ 1 \end{bmatrix}=\begin{bmatrix} 1 & 0 & x_e \\ 0 & 1 & y_e \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} x_u & x_v & 0 \\ y_u & y_v & 0 \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} u_p \\ v_p \\ 1 \end{bmatrix}=\begin{bmatrix} x_u & x_v & x_e \\ y_u & y_v & y_e \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} u_p \\ v_p \\ 1 \end{bmatrix}$

可以简化为

$p_{xy} = \begin{bmatrix} \vec{u} & \vec{v} & \vec{e} \\ 0 & 0 & 1 \end{bmatrix}p_{uv}$

从另一个方向来看

$\begin{bmatrix} u_p \\ v_p \\ 1 \end{bmatrix}=\begin{bmatrix} x_u & y_u & 0 \\ x_v & y_v & 0 \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 0 & -x_e \\ 0 & 1 & -y_e \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} x_p \\ y_p \\ 1 \end{bmatrix}$

可以简化为

$p_{uv} = \begin{bmatrix} \vec{u} & \vec{v} & \vec{e} \\ 0 & 0 & 1 \end{bmatrix}^{-1}p_{xy}$

由于求逆操作的存在，上面的表达式不是很直观，所以也可以表示为

$p_{uv} = \begin{bmatrix} x_{uv} & y_{uv} & o_{uv} \\ 0 & 0 & 1 \end{bmatrix}^{-1}p_{xy}$

单色光光

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Chapter 6 Transformation Matrices

Chapter 6 Transformation Matrices6.1 2D Linear Transformation6.1.1 Scalingscale(sx,sy)=[sx00sy] scale(s_x, s_y) = \begin{bmatrix} s_x & 0 \\ 0 & s_y \end{bmatrix}scale(sx...
复制链接

扫一扫