《Real-Time Rendering 4th Edition》全文翻译 - 第4章变换（上）4.1 ~ 4.2

最新推荐文章于 2023-03-27 11:53:52 发布

西河某人

最新推荐文章于 2023-03-27 11:53:52 发布

阅读量5.3k

点赞数 12

分类专栏：计算机图形学文章标签：计算机图形学

本文链接：https://blog.csdn.net/qq_27534999/article/details/105381222

版权

这篇鸽了，真的不好意思……（对不起评论区的小伙伴）

原定是上个月译完发的，没想到业务繁忙，没有什么精力与时间做这事了。

另外，第四章的第一节篇幅是真的长，而且有各种数学符号与公式，光输入就花了不少时间。

不过每天这么一段一段的往前推进，最终还是完成了！业余翻译，若有不周到之处，还请多多指教。

实时渲染（第四版）Real-Time Rendering (Fourth Edition)

第4章变换 Chapter 4 Transforms

“What if angry vectors veer

Round your sleeping head, and form.

There’s never need to fear

Violence of the poor world’s abstract storm.”

—Robert Penn Warren

要是愤怒的航船（vectors）改变了方向
围绕着你沉睡的脑袋，和身体
那就永远不必去害怕
穷苦世界的抽象风暴之暴行

——罗伯特·佩·华伦

（注：此处航船可换为向量，与此章联系起来，一语双关。）

变换（transform）是一种操作，它接受点（points），向量（vectors）或颜色（colors）之类的实体（entities），并且以某种方式转换它们。对于计算机图形从业者来说，掌握变换是非常重要的。有了它们，你可以定位（position）、重塑（reshape）和移动（animate）物体、灯光和照相机。你还可以确保所有计算都在同一坐标系中进行，并且以不同的方式将对象投影到平面上。这里只是少数可以通过变换执行的操作，但是这已经充分说明了变换（transform）在实时图形或任何类型计算机图形中的重要性。

线性变换（linear transform）是保留向量加法和标量乘法的变换。具体来说：

$\\ \textbf{f}(\textbf{x})+ \textbf{f}(\textbf{y}) = \textbf{f}(\textbf{x+y}),\;\;\;\;(4.1)\\ k\textbf{f}(\textbf{x}) = \textbf{f}(k\textbf{x}).\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;(4.2)$

举个例子， $\textbf{f}(\textbf{x}) = 5\textbf{x}$ 是一个使向量每个元素乘以 5 的变换。为了证明这是线性的，需要满足两个条件（公式 4.1 与公式 4.2）。第一个条件成立，因为任何两个向量乘以 5 然后相加就等于将向量相加然后再相乘。第二个标量乘法条件（公式 4.2）已经明显是满足的。此函数我们称为缩放变换（scaling transform），因为它可以更改对象的缩放比例（大小）。旋转变换（rotation transform）是另一个线性变换，它可使向量绕原点旋转。包括缩放和旋转变换，实际上三维向量的所有线性变换，都可以使用 3 × 3 矩阵表示。

然而，矩阵的大小通常不够大。三维向量 $\textbf{x}$ 的函数，例如 $\textbf{f}(\textbf{x}) = \textbf{x} + (7,3,2)$ 是非线性的。在两个单独的向量上执行此函数将把（7.3.2） (7,3,2) 的每个值相加两次。这种将定值向量加到另一个向量上的操作称为平移（translation），它会将位置移动相应的值。平移是一种很有用的变换类型，接下来我们将组合各种变换，例如，将对象缩放到一半大小，然后将其移动到其他位置。此时我们会发现，将函数保持在简单形式是很难轻松地进行组合的。

我们可以使用仿射变换（affine transform）将线性变换（linear transforms）和平移（translations）结合起来，仿射变换通常存储为 4 × 4 矩阵。仿射变换是先执行线性变换然后执行平移变换。为了表示四维向量，我们使用齐次表示法（homogeneous notation），以相同的方式表示点和方向（使用粗体小写字母）。方向向量（direction vector）表示为 $\textbf{v} = (v_{x}\;v_{y}\;v_{z}\;0)^{T}$ ，点（point）表示为 $\textbf{v} = (v_{x}\;v_{y}\;v_{z}\;1)^{T}$ 。在本章中，我们将广泛使用在 realtimerendering.com 上可下载的线性代数附录中解释的术语和运算。

所有平移（translation），旋转（rotation），缩放（scaling），反射（reflflection）和剪切矩阵（shearing matrices）都是仿射（affine）。仿射矩阵（affine matrix）的主要特征就是它保留了线的平行性，但不一定保留长度和角度。仿射变换（affine transform）也可以是各个仿射变换级联（concatenations）的任何序列。

本章将从最根本的基本仿射变换（basic affine transforms）开始。本部分可以看作是简单变换的“参考手册”。之后，我们会描述一些专用的矩阵，随后对四元数（quaternions）——一种强大的变换工具，进行讨论和描述。然后是顶点融合（blending）和变形（morphing），这是表达网格动画的两种简单但有效的方法。最后，描述了投影矩阵。这些变换中大多数，它们的符号，功能和特性都总结在表 4.1 中，其中正交矩阵的逆矩阵为其转置矩阵。

变换（Transforms）是用于操纵几何体（geometry）的基本工具。大多数图形应用程序编程接口允许用户设置任意矩阵，有时库（library）可能与实现本章讨论的许多变换的矩阵运算一起使用。但是，仍然有必要了解函数调用背后的实际矩阵及其相互作用。知道调用函数后矩阵做了什么是一个开始，但是了解矩阵本身的属性将使你的理解更进一步。例如，这种理解可以使你辨别何时处理正交矩阵（正交是其转置），从而可以更快地进行矩阵求逆。这样的知识可以让你的代码更加高效。

4.1 基本变换 Basic Transforms

本节介绍最基本的变换，例如平移（translation），旋转（rotation），缩放（scaling），剪切（shearing），变换级联（transform concatenation），刚体变换（rigid-body transform），法线变换（normal transform）（然而并不是很正常原文：which is not so normal 双关语笑话）和逆计算（computation of inverses）。对于有经验的读者，可以将其用作简单变换的参考手册，对于新手，则可以作为该主题的入门。本材料是本章其余部分和本书其他各章的必要背景。我们从最简单的变换——“平移”开始。

表 4.1 本章讨论到的大多数变换的小结
符号 Notation	名称 Name	特点 Characteristics
$\textbf{T}(\textbf{t})$	平移矩阵 translation matrix	移动一个点。仿射。
$\textbf{R}_{x}(\rho )$	旋转矩阵 rotation matrix	绕 x 轴旋转 $\rho$ 弧度角。 y 轴与 z 轴也使用此标记。正交且仿射。
$\textbf{R}$	旋转矩阵 rotation matrix	任意的旋转矩阵。正交且仿射。
$\textbf{S}(\textbf{s})$	缩放矩阵 scaling matrix	根据 $\textbf{s}$ 值来缩放 x，y，z轴。仿射。
$\textbf{H}_{ij}(s)$	剪切矩阵 shear matrix	相对于分量，用因子剪切分量。 $i,j\epsilon (x,y,z)$ 。仿射。
$\textbf{E}(h,p,r)$	欧拉变换 Euler transform	根据 head(yaw)，pitch，roll 三个方向的欧拉角给出的方向矩阵。正交&仿射。
$\textbf{P}_{o}(s)$	正交投影 orthographic projection	平行投影到某个平面或某个体积上。仿射。
$\textbf{P}_{p}(s)$	透视投影 perspective projection	以透视图投影到平面或体积上。
$slerp(\textbf{\^q},\textbf{\^r},t )$	斯勒普变换 slerp transform （注：全称为球面线性插值变换 Spherical Linear Interpolation Transform）	生成关于四元数 $\textbf{\^q}$ 和 $\textbf{\^r}$ 以及参数的插值四元数。

4.1.1 平移 Translation

从一个位置到另一个位置的变化由平移矩阵 $\textbf{T}$ 表示。此矩阵通过向量去平移实体。 $\textbf{T}$ 由下面的公式 4.3 给出：

$\textbf{T}(\textbf{t})=\textbf{T}(t_{x},t_{y},t_{z})=\begin{pmatrix} 1 & 0 & 0 & t_{x}\\ 0 & 1 & 0 & t_{y}\\ 0 & 0 & 1 & t_{z}\\ 0 & 0 & 0 & 1 \end{pmatrix}\;\;\;\;(4.3)$

图 4.1 显示了平移变换效果的示例。容易证明，将点 $\textbf{p}=(p_{x},p_{y},p_{z},1)$ 与 $\textbf{T}(\textbf{t})$ 相乘会产生一个新的点 ${\textbf{p}}'=(p_{x}+t_{x},p_{y}+t_{y},p_{z}+t_{z},1)$ ，这显然是一个平移。请注意，向量 $\textbf{v}=(v_{x},v_{y},v_{z},0)$ 不受 $\textbf{T}$ 乘法的影响，因为方向向量无法平移。相反，点和向量都受其余仿射变换（affine transforms）的影响。平移矩阵的逆是 $\textbf{T}^{-1}(\textbf{t})=\textbf{T}(\textbf{-t})$ ，即向量 $\textbf{t}$ 取反（negated）。

图 4.1 左边的方形进行了平移变换，平移矩阵为 $\textbf{T}(5,2,0)$ ，方形向右移动了 5 个单位距离，向上移动了 2 个单位距离。

在这一点上，我们应该提到的是，有时在计算机图形学中看到的另一种有效的符号方案，它使用的矩阵的底标是平移向量。例如DirectX 就是使用这种形式。在该方案中，矩阵的顺序将颠倒，即矩阵应用的顺序将从左至右读取。由于向量是行向量，因此可以将这种表示形式的向量和矩阵称为行优先形式（row-major form）。在本书中，我们将使用列优先形式（column-major form）。无论使用哪种方式，这纯粹是一种符号上的差异。当矩阵存储在内存中时，十六进制的最后四个值为三个平移值加后跟的一个值。

4.1.2 旋转 Rotation

旋转变换将一个向量（位置或方向）绕经过原点的给定轴旋转指定的角度。像平移矩阵一样，它是一个刚体变换（rigid-body transform），换句话说，它保留了变换后的点之间的距离，并保留了惯用性（handedness）（即从不导致左右两侧互换）。在计算机图形学中，这两种类型的变换对于定位和定向对象显然很有用。方向矩阵（orientation matrix）是与摄像机视图（camera view）或对象相关联的旋转矩阵，它定义了其在空间中的方向，即其向上和向前的方向。

在二维中，旋转矩阵很容易得出。假设我们有一个向量 $\textbf{v}=(v_{x},v_{y})$ ，我们将其参数化为 $\textbf{v}=(v_{x},v_{y})=(r\;cos\theta,r\;sin\theta)$ 。如果我们将向量旋转 $\phi$ 弧度（逆时针），则将得到 $\textbf{u}=(r cos(\theta +\phi ),r sin(\theta +\phi ))$ 。这可以重写为

$\textbf{u}=\begin{pmatrix} r\;cos(\theta +\phi )\\ r\;sin(\theta +\phi ) \end{pmatrix}= \begin{pmatrix} r(cos\theta cos\phi - sin\theta sin\phi)\\ r(sin\theta cos\phi + cos\theta sin\phi) \end{pmatrix}$

$=\begin{pmatrix} cos\phi&-sin\phi \\ sin\phi&cos\phi \end{pmatrix} \begin{pmatrix} rcos\theta\\ rsin\theta \end{pmatrix} =\textbf{R}(\phi)\textbf{v}\;\;\;\;\;\;\;\;(4.4)$

在这里我们使用角度和关系来展开 $cos(\theta +\phi)$ 和

最低0.47元/天解锁文章

西河某人

关注

12
点赞
踩
21

收藏

觉得还不错? 一键收藏
5
评论
《Real-Time Rendering 4th Edition》全文翻译 - 第4章变换（上）4.1 ~ 4.2

这篇鸽了很久了，不好意思~实时渲染（第四版）Real-Time Rendering (Fourth Edition)第4章变换Chapter 4Transforms要是愤怒的航船（vectors）改变了方向围绕着你沉睡的脑袋，和身体（form）那就永远不必去害怕穷苦世界的抽象风暴之暴力——罗伯特·佩·华伦变换（transform）是一种操作，它接受点（point...
复制链接

扫一扫