【计算机图形学基础】线性代数基础1

    最近在重温计算机图形学的基础知识，期望能做到温故知新，加深对其的理解，以便能从容应对工作中各种情况。
   小弟水平有限，若有不正确之处，欢迎大家批评指正。
相关文章链接：
【计算机图形学基础】线性代数基础1
【计算机图形学基础】线性代数基础2
【计算机图形学基础】相机矩阵
【计算机图形学基础】投影矩阵
【计算机图形学基础】光照模型和着色频率
【计算机图形学基础】阴影映射

1 向量

1.1 向量点乘

1.1.1 基本属性

  向量点乘会得到一个标量；

  $\vec{a}$ $\cdot$ $\vec{b}$  =  |a| |b| $cos\theta$
  $\vec{a}$ $\cdot$ $\vec{b}$  =  $\left(\begin{array}{ccc}{a}_x& a_y& a_z\end{array}\right)$ $\left(\begin{array}{c}{b}_x\\ b_y\\ b_z\end{array}\right)$  =  $a_x{b}_x$ + $a_y{b}_y$ + $a_z{b}_z$
  若$\vec{a}$和$\vec{b}$是单位向量，有：$\vec{a}$ $\cdot$ $\vec{b}$  =  $cos(\theta )$

1.1.2 几何意义

(1) 求取两个向量的夹角

  $cos\theta$ = ($\vec{a}$ $\cdot$ $\vec{b}$) $/$ ($|a|\ast |b|$)

(2) 求向量的投影

  求取 $\vec{b}$ 在 $\vec{a}$ 上的投影(或反过来)：${\vec{b}}_{\perp }$ = $\vec{b}$ * $cos\theta$

(3) 求两个单位向量的接近程度

  $\vec{a}$ $\cdot$ $\vec{b}$  =  $cos(\theta )$。
  若两个向量接近，则点乘结果接近1；
  若两个向量较远，则点乘结果接近0；
  若两个向量异向，则点乘结果小于0；
  若两个向量异向且正好相反，则点乘结果为-1。

(4) 求两个向量的前后关系

  求$\vec{a}$在$\vec{b}$的前后关系：向量点积的符号由$cos\theta$决定；
  若$cos\theta >0$，说明两个向量指向前方；若$cos\theta <0$，说明两个向量一前一后。

1.2 向量叉乘

1.2.1 基本属性

  向量叉乘会得到一个矢量，其定义为：$\vec{a}$ $⨂$ $\vec{b}$ = $\vec{c}$；
  向量叉乘按照右手法则，会得到第三个向量$\vec{c}$，$\vec{c}$ 垂直于$\vec{a}$ 和$\vec{b}$ 所在的平面；
  其中，$\vec{c}$ 的大小等于$|a|$ $|b|$ $sin\theta$。
  注意，因为右手法则向量叉乘是不具备交换律。所以有：$\vec{a}$ $⨂$ $\vec{b}$ = $-\vec{b}$ $⨂$ $\vec{a}$。

  向量的叉乘，也可以用矩阵的形式表示，其中$\vec{a}$要转换为dual matrix的形式：

1.2.2 几何意义

(1) 单位向量建立三维空间中的直角坐标系

  $\vec{x}$ $⨂$ $\vec{y}$ = +$\vec{z}$    $\vec{y}$ $⨂$ $\vec{x}$ = -$\vec{z}$
  $\vec{y}$ $⨂$ $\vec{z}$ = +$\vec{x}$    $\vec{z}$ $⨂$ $\vec{y}$ = -$\vec{x}$
  $\vec{z}$ $⨂$ $\vec{x}$ = +$\vec{y}$    $\vec{x}$ $⨂$ $\vec{z}$ = -$\vec{y}$

(2) 判断两个向量的左右关系

  如下所示，$\vec{a}$ 和 $\vec{b}$ 在三维空间x-y平面中：

  可以看到，此时$\vec{b}$在$\vec{a}$的左侧($\vec{a}$逆时针旋转)。
  如何判定上述左右关系？
  当 $\vec{a}$ $⨂$ $\vec{b}$ 得到的 $\vec{c}$ 的z方向大于0，就说$\vec{b}$在$\vec{a}$的左侧，$\vec{a}$在$\vec{b}$的右侧。判断左右关系的本质是右手法则。

(3) 判断点是否在三角形的内部

  如下图所示，点A、B、C仍然在x-y平面内：

  从A开始，逆时针逐向量与P进行比较：
  $\overrightarrow{AB}$ $⨂$ $\overrightarrow{AP}$的结果向量Z方向大于0；
  $\overrightarrow{BC}$ $⨂$ $\overrightarrow{BP}$的结果向量Z方向大于0；
  $\overrightarrow{CA}$ $⨂$ $\overrightarrow{CP}$的结果向量Z方向大于0；
  上述三次比较生成了三个向量，由于三个结果向量的Z方向都大于0，因此可以判断P在$△$ABC的内部。
  综上，判断点P是否在三角形内部的方法是：点P都在三角形三边的左边(若给定三角形三点的顺序是顺时针，则P需要在三角形三边的右边)。

1.3 标准正交基

  标准正交基是三个相互垂直的单位向量，标记为 $\vec{x}$，$\vec{y}$，$\vec{z}$，其中 $\vec{x}$ 和 $\vec{y}$ 垂直，且满足 $\vec{x}$ $⨂$ $\vec{y}$ = $\vec{z}$。
  因此任意向量 $\vec{p}$ 在xyz组成的坐标系可用其点积表示：
  $\vec{p}$ = ($\vec{p}$ $\cdot$ $\vec{x}$) $\vec{x}$ + ($\vec{p}$ $\cdot$ $\vec{y}$) $\vec{y}$ + ($\vec{p}$ $\cdot$ $\vec{z}$) $\vec{z}$

2 矩阵

2.1 矩阵乘法

  矩阵乘法需要两个矩阵的行和列满足一定关系：$M_{an}$ x $N_{nb}$，M的列数必须等于N的行数。
  矩阵乘法不具备交换律：$M$$N$ $!=$ $N$$M$；
  矩阵乘法具有结合律：($A$$B$)$C$ $=$ $A$($B$$C$)；

  矩阵的转置：${\left(\begin{array}{ccc}{a}_x& a_y& a_z\\ b_x& b_y& b_z\end{array}\right)}^T$ = $\left(\begin{array}{cc}{a}_x& b_x\\ a_y& b_y\\ a_z& b_z\end{array}\right)$，$(AB{)}^T$ = $B^T$$A^T$

  矩阵的逆： $A$$A^{-1}$ = $A^{-1}$$A$ = $I$，其中$I$是单位阵，$(AB{)}^{-1}$ = $B^{-1}$$A^{-1}$ 。

  点乘的矩阵形式如下：

  叉乘的矩阵形式如下：

2.2 矩阵变换

2.2.1 线性变换

   线性变换形式如下：
   $x^{\prime }=ax+by$
   $y^{\prime }=cx+dy$

   $\left(\begin{array}{c}{x}^{\prime }\\ y^{\prime }\end{array}\right)$ = $\left(\begin{array}{cc}a& b\\ c& d\end{array}\right)$ $\left(\begin{array}{c}x\\ y\end{array}\right)$

   $X^{\prime }=MX$

   线性变换具备如下性质：
   ① 可加性： L($\vec{v}$ + $\vec{w}$) = L($\vec{v}$) + L($\vec{w}$);
   ② 成比例： L(c$\vec{v}$) = cL($\vec{v}$)；
   上述性质可理解为：线性变换后1) 任意直线还是直线; 2) 原点位置不变。

2.2.2 模型变换

   模型变换均属于线性变换。

(1) 缩放变换

  二维空间中，缩放变换如下所示：

(2) 对称变换

  二维空间中，绕Y轴的对称变换如下所示：

(3) 旋转

  旋转都是绕原点进行旋转，旋转角度逆时针为正。二维空间中，矩阵如下：

  对于旋转矩阵，若将 $\theta$ 转变为 $-\theta$，其矩阵如下所示：

$R(-\theta )$ = $\left(\begin{array}{cc}cos\theta & sin\theta \\ -sin\theta & cos\theta \end{array}\right)$ = $R(\theta {)}^T$

  又由旋转的定义可知，$R(-\theta )$ = $R(\theta {)}^{-1}$；

  综上，对于旋转矩阵，有属性$R(\theta {)}^{-1}$ = $R(\theta {)}^T$，这个属性后续会用到，也说明旋转矩阵是正交阵。

3 齐次坐标

3.1 为什么会有齐次坐标

  对于平移变换，在二维的情况下，只能满足如下变换形式：

  根据2.2.1所述，上述矩阵不是线性变换。
  为了不让平移变换成为一种特殊情况，就在当前维度上新增一个维度，使平移变换在表示形式上是线性变换。这也体现了一种trade off的思想。

3.2 齐次坐标下的点和向量

  在三维空间中，齐次坐标下的点表示为：
${\left(\begin{array}{cccc}x& y& z& 1\end{array}\right)}^T$
  在三维空间中，齐次坐标下的向量表示为：
${\left(\begin{array}{cccc}x& y& z& 0\end{array}\right)}^T$
  综上，可以看到，点被平移后，是新的点；向量被平移后，仍然是原向量。
  根据齐次坐标是1或0，有如下操作：
$vector+vector=vector$
$vector+point=point$
$point-point=vector$
  上述操作根据结果的齐次坐标是0或1，都能很好的理解。那么如果情况是：点+点，结果是什么呢？
$point+point=???$
  在齐次坐标下，${\left(\begin{array}{cccc}x& y& z& w\end{array}\right)}^T$表示的三维空间点，实际是：${\left(\begin{array}{cccc}x/w& y/w& z/w& 1\end{array}\right)}^T$，当然w不能等于0。
  所以，结果如下：
$point+point=point$

4 模型矩阵

4.1 缩放

4.2 平移

  引入齐次坐标后，平移矩阵的形式也遵从了线性变换。

4.3 旋转

  绕X轴旋转如下，其中 $\alpha$ 是从X轴正向往负向观察，逆时针为正：

  绕X轴旋转同二维中相似，其中X轴不变，所以第一行是${\left(\begin{array}{cccc}1& 0& 0& 0\end{array}\right)}^T$；

  绕Z轴旋转如下：

  其中Z轴不变，所以第三行是${\left(\begin{array}{cccc}1& 0& 0& 0\end{array}\right)}^T$；

  绕Y轴旋转如下：

  绕Y轴旋转和绕X、Z轴旋转不一样，它的旋转参数实际进行了转置，为什么？
  假设以XYZ的顺序定义三轴：
  $\vec{X}$ = $\vec{Y}$ $⨂$ $\vec{Z}$  $\vec{Z}$ = $\vec{X}$ $⨂$ $\vec{Y}$
  按XYZ的顺序，Y的定义：$-\vec{Y}$ = $\vec{X}$ $⨂$ $\vec{Z}$
  因此需要对旋转矩阵求反。而旋转矩阵是正交阵，取反就等于求转置。因此Y和X、Z的旋转矩阵不同。

4.4 仿射变换

  应用了齐次坐标后，仿射变换也可以写成线性变化的形式：左边3X3的矩阵是线性变换参数，第四列是平移变换的参数。
  如上所示，仿射变换中，先应用的是线性变换，再执行的平移。这个顺序非常重要。
  我们在执行旋转前，若旋转中心不在(0, 0, 0)，需要先平移(-x, -y, -z)，然后执行相应旋转，再执行平移(x, y, z)还原。

5 参考

GAMES101-现代计算机图形学入门-闫令琪