《unity shader 入门精要》读书笔记3 - 数学基础

一 笛卡尔坐标系

三维笛卡儿坐标系中,我们需要定义3个坐标轴和一个原点，

这3个坐标轴也被称为是该坐标系的基矢量( basis vector)。
通常情况下,这3个坐标轴之间是互相垂直的,且长度为1,这样的基矢量被称为标准正交基( orthonormal basis)。

笛卡尔坐标系分为：左手坐标系和右手坐标系

如图：

左右手坐标系之间是可以进行互相转换的。最简单的方法就是把其中一个轴反转,并保持其他两个轴不变。
Unity使用的是左手坐标系

二 矢量：

矢量不能和标量做加减运行，可以做乘除运算。

公式非常简单，我们只需要把每个分量做对应的运算即可：
乘法：

除法：

矢量的加法和减法：

我们可以对两个失量进行相加或相减,其结果是一个相同维度的新矢量
我们只需要把两个矢量的对应分量进行相加或相减即可。公式如下:

矢量的模：

$|v|=\sqrt{v_x^2}+\sqrt{v_y^2}+\sqrt{v_z^2}$

单位矢量：

单位矢量指的是那些模为1的矢量。单位矢量也被称为被归一化的矢量( normalized vector)。
对任何给定的非零矢量,把它转换成单位矢量的过程就被称为归一化( normalization)。

为了对矢量进行归一化,我们可以用矢量的模除以该矢量来得到。
公式如下:

零矢量(即矢量的每个分量值都为0,如v=(0,0,0) 是不可以被归一化的。这是因为做除法运算时分母不能为0。

矢量的点积

矢量的乘法有两种最常用的种类:点积( dot product.,也被称为内积, inner product)和又积( cross product,也被称为外积, outer product)。

点积公式一：

$a\cdot b=(a_x,a_y,a_z)\cdot (b_x,b_y,b_z)=a_x{b}_x+a_y{b}_y+a_z{b}_z$

矢量的点积满足交换律,即：

$a\cdot b=b\cdot a$

点积性质：

一：点积可结合标量乘法：

二：点积可结合矢量加减法：

三：一个矢量和本身点积的结果是该矢量的模的平方：

可以利用该性质求矢量的模

点积公式二：

$a\cdot b=|a||b|cos\theta$

矢量的叉积

另一个重要的矢量运算就是又积( cross product),也被称为外积( outer product)。
与点积不同的是,矢量叉积的结果仍是一个矢量,而非标量和点积类似,又积的名称来源于它的符号:a×b。同样,这个又号也是不可省略的。

那么,又积到底有什么用呢?
最常见的一个应用就是计算垂直于一个平面、三角形的矢量。
另外,还可以用于判断三角面片的朝向

公式如下：

公式一：

叉积不满足交换律和结合律，即：

公式二：

三 矩阵：

不幸的是,没有人能告诉你母体( matrix)究竟是什么。你需要自己去发现它。

一一电影《黑客帝国》(英文名: The Matrix

定义：

它是由m×n个标量组成的长方形数组。

如下就是一个 2X2 的矩阵：
$$\left[\begin{array}{cc}1& 2\\ & \\ 3& 4\end{array}\right]$$

我们可以用矩阵来表示矢量。
矢量可以看成是n x 1的列矩阵( columnmatrix)
或1Xn的行矩阵( row matrix),其中n对应了矢量的维度。

行矩阵：
$$\left[\begin{array}{ccc}1& 2& 3\end{array}\right]$$
列矩阵：
$$\left[\begin{array}{c}1\\ \\ 2\\ \\ 3\end{array}\right]$$

矩阵运算：

1.矩阵和标量的乘法

矩阵也可以和标量相乘,它的结果仍然是一个相同维度的矩阵。
以3×3的矩阵为例,其公式如下:

2.矩阵和矩阵的乘法

一个r×n的矩阵A和一个n×c的矩阵B相乘,它们的结果AB将会是一个rXc大小的矩阵。
第一个矩阵的列数必须和第二个矩阵的行数相同,它们相乘得到的矩阵的行数是第一个矩阵的行数,而列数是第二个矩阵的列数。

例如,如果矩阵A的维度是4×3 矩阵B的维度是3×6,那么AB的维度就是4×6。

性质：
一：矩阵乘法不满足交换律。
$AB\ne BA$
二：矩阵乘法满足结合律。
$(AB)C=A(BC)$

特殊矩阵

1.方块矩阵

方块矩阵( square matrix),简称方阵,是指那些行和列数目相等的矩阵。在三维渲染里,最常使用的就是3×3和4×4的方阵。
对角元素( diagonal elements)。方阵的对角元素指的是行号和列号相等的元素。
如果一个矩阵除了对角元素外的所有元素都为0,那么这个矩阵就叫做对角矩阵( diagonalmatrix)。

例如,下面就是一个4×4的对角矩阵

2.单位矩阵

一个特殊的对角矩阵是单位矩阵( identity matrix),用 $I_n$ 来表示。
一个3x3的单位矩阵如下:

任何矩阵和它相乘都等于它自身，
$MI=IM=M$

3.转置矩阵

**转置矩阵( transposed matrix)**实际是对原矩阵的一种运算,即转置运算。只需要把原矩阵翻转一下即可。$M^T$表示。

$M_{ij}^T=M_{ji}$

如：

性质：

1. 矩阵转置的转置等于原矩阵：
   ${(M^T)}^T=M$
2. 矩阵串接的转置,等于反向串接各个矩阵的转置。
   ${(AB)}^T=A^T{B}^T$

4.逆矩阵

不是所有的矩阵都有逆矩阵,第一个前提就是,该矩阵必须是一个方阵。
给定一个方阵$M$,它的逆矩阵用$M^{-1}$来表示。
逆矩阵最重要的性质就是,如果我们把$M$和$M^{-1}$相乘,那么它们的结果将会是一个单位矩阵,即：
${MM}^{-1}=M^{-1}M=I$
如果一个矩阵的行列式不为0，那么它就是可逆的

性质：

1. 逆矩阵的逆矩阵是原矩阵本身
   ${(M^{-1})}^{-1}=M$
2. 单位矩阵的逆矩阵是它本身。
   $I^{-1}=I$
3. 转置矩阵的逆矩阵是逆矩阵的转置。
   ${(M^T)}^{-1}={(M^{-1})}^T$
4. 矩阵串接相乘后的逆矩阵等于反向串接各个矩阵的逆矩阵。
   ${(AB)}^{-1}=A^{-1}{B}^{-1}$

5.正交矩阵

另一个特殊的方阵是正交矩阵( orthogonal matrix)。正交是矩阵的一种属性。
如果一个方阵M和它的转置矩阵的乘积是单位矩阵的话,我们就说这个矩阵是正交的( orthogonal)。反过来也是成立的。

$M{M}^T=M^{T}M=I$

一个重要的性质,即如果一个矩阵是正交的,那么它的转置矩阵和逆矩阵是一样的。

$M^T=M^{-1}$

在三维变换中我们经常会需要使用逆矩阵来求解反向的变换。

四 矩阵的几何意义（变换）：

变换( transform) 指的是我们把一些数据，如点、方向矢量甚至是颜色等,通过某种方式进行转换的过程。

1.线性变换( linear transform )

线性变换 指的是那些可以保留矢量加和标量乘的变换，公式：
$f(x)+f(x)=f(x+y)$
$kf(x)=f(kx)$

线性变换包括：旋转，缩放 ，错切，镜像，正交投影

注意：平移不是线性变换

2.仿射変换( affine transform)

仿射変换 就是合并线性变换和平移变换的变换类型。

仿射变换可以使用一个4x4的矩阵来表示,为此,我们需要把矢量扩展到四维空间下,这就是齐次坐标空间( homogeneous space.)

3.齐次坐标（homogeneous coordinate）

由于3x3矩阵不能表示平移，所以为了计算方便，就把其扩展到4x4矩阵，并且还有把原来的三维矢量转换成四维矢量，也就是齐次坐标

分解基础变换矩阵：
我们把表示纯平移，旋转，缩放的变换矩阵叫做基础变换矩阵 ，可以分解为：

其中,左上角的矩阵$M_{3\times 3}$用于表示旋转和缩放,$t_{3\times 1}$用于表示平移,$0_{1\times 3}$是零矩阵。

4.平移矩阵

把点$（x,y,z）$在空间平移了$（t_x,t_y,t_z）$个单位

5.缩放矩阵

把点$（x,y,z）$ 在空间缩放 $k$ 倍。
如果缩放系数 $k_x=k_y=k_z$ 我们称这样的缩放为 统一缩放，否则为非统一缩放

6.旋转矩阵

绕 X 轴旋转 $\theta$ 度：

绕 Y 轴旋转 $\theta$ 度：

绕 Z 轴旋转 $\theta$ 度：