【计算机图形学】VS2022的OpenGL安装

基于Visual Studio 2017的opengl安装
我是Visual Studio 2022同样适用。每一步弄下来都不报错，很赞，截个图，担心以后原文的图被和谐了：
按照它每一步就可以弄出来。

CSDN弄了个发文助手检测，所以凑一下字数吧：
已存在的问题
surface编辑操作通常需要尽可能多的保持surface的细节。拉普拉斯坐标对于线性变换十分敏感。因此，形状的细节结构可以被平移，但不能够被旋转或缩放。
基于mesh的Laplacian提供一种surface表达，通过mesh的Laplacian来增强对局部线性刚性变换和缩放。基于这些表达，可以用于一些有用的编辑操作：基于一个变换手柄在感兴趣的区域做一些任意自由度交互的变形，在两个surfaces之间迁移和混合几何细节，移植一部分surface细节至另一个surface。所有操作的解都是解一个稀疏的线性方程组，从而达到能够实时交互的目标。
在相关的算法公式中，使用pair(K,V)来表示，K描述vertices的链接关系，V={v_1,…,v_n}描述vertices的几何位置，这个位置表示时一个三维坐标。对于某个vertex i的邻居环被定义为N_i={j|(i,j)∈K}，d_i表示N_i中的元素数量。
整个mesh的Laplacian坐标∆={δ_i}。使用Laplacian来表示顶点的坐标，即通过顶点与周围邻居点（拓扑领域）中心坐标之间的差距来描述该顶点的Laplacian坐标。即：
█(δ_i=L(v_i )#(1) )
L使用统一的权重进行定义：
█(L(v_i )=v_i-1/d_i ∑_(j∈N_i)▒v_j #(2) )
公式(2)中，v_i表示的就是顶点，而d_i为拓扑领域内顶点的数量，最后的求和就是对拓扑邻域内的顶点位置求和。被减项就表示周围点的中心。
同时，我们也可以从Laplacian坐标∆恢复成原始坐标V。我们设A为mesh的邻接矩阵，D=diag(d_1,…,d_n)是矩阵的度。则∆=LV，且L=I-D^(-1) A。通常，矩阵L被认为是具有连接的A的Laplacian算子，这也就是为什么我们称vertex i的Laplacian坐标为δ_i。
其中，在上一段落中讲述的式子中，I为单位矩阵，而D为一个对角矩阵，对角线上的值D_ii=d_i，而d_i是第i点邻接点的数目。A矩阵是邻接矩阵，则我们可知，当点v_i和v_j相邻时，A_ij=1，若不相邻则A_ij=0，如式(3)。
█(A_ij={█(1, (i,j)相邻@0, (i,j)不相邻)┤#(3) )
因为L=I-D^(-1) A中含有一个对矩阵求逆的操作，又因为实际上在计算机中求矩阵的逆不叫麻烦，所以在使用这个公式时，我们可以将两边同乘以D将公式变形为L_S=DL=D-A。此时有：
█((L_S )ij={█(d_i, i=j@-1, (i,j)相邻@0, otherwise)┤#(4) )
使用Laplacian坐标∆来执行建模操作的方法是固定几个顶点为绝对位置，即：
█(v_i^‘=u_i, i∈{m,…,n},m<n#(5) )
同时我们通过对给定的Laplacian坐标∆固定几何V^{’的Laplacian坐标，从而求解剩下的顶点{v_i}’},i∈{1,…,m-1}。当固定了一组点，对V进行恢复一定是会产生一些误差的，我们希望能够最小化误差并获得一个解，这个解就是我们希望求的对网格坐标编辑后的结果。误差公式如式(6)。
█(E(V^’ )=∑(i=1)^{n▒〖||δ_i-L(v_i}’ )| |^2+∑_(i=m)n▒〖||v_i^‘-u_i | |^2 〗〗#(6) )
但同时又有一个问题，就是Laplacian坐标对线性变换敏感，因此需要解决旋转和缩放的问题。本文的方法为每一个点计算一个基于新坐标V^{’的拟合变换T，以获得适配结果，T是一个针对V}’的函数，由此，推出了新的最小化能量表示(如式7)。
█(E(V^’ )=∑_(i=1)^n▒〖||T_i (V^’ ) δ_i-L(v_i^’ )| |^2+∑_(i=m)n▒〖||v_i^‘-u_i | |^2 〗〗#(7) )
其中V^{’和T都是未知的，若T的关联系数由V}’进行表示，那么求V^‘自然推出T：
█(min┬(T_i )⁡( │|T_i v_i-v_i^’ | |^2+∑_(j∈N_i)▒〖||T_i v_j-v_j^’ ||^2 〗)#(8) )
这是一个二次表达式，最小化的结果是一个V^'的线性方程。这里的T需要被限制，T可以包括旋转，各向同性的缩放和平移。
T的转换部分通过homogeneous coordinates实现，线性部分需要满足以下需求：用矩阵表示各向同性缩放和旋转可以被写作T=s exp(H)，其中H是一个斜对称矩阵，在3D中，写对称矩阵就是模仿了向量的叉乘，即Hx=h×x。利用3×3协矩阵的一些性质，我们可以推导出如式(9)所示的式子。
█(s expH=s(αI+βH+γh^T h)#(9) )