UnityShader学习02_3D数学基础

3D数学基础

坐标系
模型坐标系：模型自身的坐标系
世界坐标系：物体在空间中的坐标
摄像机坐标系：物体在摄像机位置和方向下的坐标
屏幕投影坐标系：物体在二维屏幕投影下的坐标
向量
二维向量举例

• 向量相加 $(x_1,y_1)+(x_2,y_2)=(x_1+x_2,y_1+y_2)$ 向量头尾相连
• 向量相减 $(x_1,y_1)-(x_2,y_2)=(x_1-x_2,y_1-y_2)$ 减数向量尾指向被减数向量尾
• 向量乘标量（数乘） $a\ast (x_1,y_1)=(a\ast x_1,a\ast y_1)$
• 向量点积（数量积） $(x_1,y_1)\cdot (x_2,y_2)=x1\ast x2+y1\ast y2$
  • 数形结合 $\vec{a}\cdot \vec{b}=|a|\ast |b|\ast cos\theta$
  • 几何意义： 点积的正负或零<=>角度小于、大于或等于90°
  • 推论 当$\vec{a}$和$\vec{b}$都是单位化向量时，$\theta =acos(\vec{a}\cdot \vec{b})$
• 向量叉积$\vec{a}\times \vec{b}=\left[\begin{array}{ccc}i& j& k\\ x_1& y_1& z_1\\ x_2& y_2& z_2\end{array}\right]=(y_1{z}_2-y_2{z}_1)i-(x_1{z}_2-x_2{z}_1)j+(x_1{y}_2-x_2{y}_1)k$
  • 其中ijk为3个方向向量，当其都是标准化向量时$\vec{a}\times \vec{b}=(y_1{z}_2-y_2{z}_1,z_1{x}_2-z_2{x}_1,x_1{y}_2-x_2{y}_1)=\vec{n}$
  • 几何意义：$\vec{n}$垂直于$\vec{a}$和$\vec{b}$所构成的平面，即成为该平面的法向量
  • 注意：法向量满足左手螺旋法则，即将$\vec{a}$旋转到$\vec{b}$看做螺旋，$\vec{n}$为大拇指朝向，因此Unity中叉乘应该为顺时针计算

矩阵

$\left[\begin{array}{ccc}{m}_{11}& m_{12}& m_{13}\\ m_{21}& m_{22}& m_{23}\\ m_{31}& m_{32}& m_{33}\end{array}\right]$

• 矩阵和标量乘法$\lambda A=\left[\begin{array}{ccc}\lambda m_{11}& \lambda m_{12}& \lambda m_{13}\\ \lambda m_{21}& \lambda m_{22}& \lambda m_{23}\\ \lambda m_{31}& \lambda m_{32}& \lambda m_{33}\end{array}\right]$

• 矩阵乘法

  • a对于一个mxn的矩阵$A(a_{mn})$和nxp的矩阵$B(b_{np})$，相乘后得到mxp的矩阵$C(c_{mp})$
  • $c_{ij}=\sum _{r=1}^n{a}_{ir}{b}_{rj}(m\ge i>0,p\ge j>0)$
  • 不满足交换律，满足结合律和分配律

• 矩阵转置$A^T=\left[\begin{array}{ccc}{m}_{11}& m_{21}& m_{31}\\ m_{12}& m_{22}& m_{32}\\ m_{13}& m_{23}& m_{33}\end{array}\right]$

  • 性质1： $(A^T{)}^T=A$
  • 性质2：$(\lambda A{)}^T=\lambda A^T$
  • 性质3：$(AB{)}^T=B^T{A}^T$

• 方阵就是行数和列数相等的矩阵

  • 方阵计算方法1：对角线和反对角线法
    $|A_3|=\left|\begin{array}{ccc}{m}_{11}& m_{12}& m_{13}\\ m_{21}& m_{22}& m_{23}\\ m_{31}& m_{32}& m_{33}\end{array}\right|=m_{11}{m}_{22}{m}_{33}+m_{12}{m}_{23}{m}_{31}+m_{13}{m}_{21}{m}_{32}-m_{13}{m}_{22}{m}_{31}-m_{12}{m}_{21}{m}_{33}-m_{11}{m}_{23}{m}_{32}$
  • 方阵计算方法2：代数余子式
    余子式：$M_{12}=\left[\begin{array}{cc}{m}_{21}& m_{23}\\ m_{31}& m_{33}\end{array}\right]$
    即Mij为删除第i行第j列元素后剩下元素组成的，阶数-1的方阵
    代数余子式$c_{12}=(-1{)}^{1+2}|M_{12}|$（注意正负）
    $|A_m|=\sum _{j=1}^m{m}_{ij}{c}_{ij}(i\in [1,m])=\sum _{i=1}^m{m}_{ij}{c}_{ij}(j\in [1,m])$
    简而胭脂就是任取某一行/列，计算该行/列上的代数余子式之和
  • 性质1 $|M_1{M}_2|=|M_1||M_2|$
  • 性质2：$|A^T|=|A|$
  • 性质3：任意行或列为0，则行列式为0
  • 性质4：交换两行或两列，行列式取反
  • 性质5：任意行/列加上 其他任意行/列的任意倍，行列式不变

• 矩阵的逆
  $A(A^{-1})=A^{-1}A=I$

  • 逆矩阵的前提：为方阵、矩阵行列式不为0
  • 计算代数余子式矩阵：
    $M=\left[\begin{array}{ccc}{c}_{11}& c_{12}& c_{13}\\ c_{21}& c_{22}& c_{23}\\ c_{31}& c_{32}& c_{33}\end{array}\right]$
  • 计算标准伴随矩阵：
    $adjM=M^T$
  • 计算逆矩阵
    $M^{-1}=\frac{adjM}{|M|}$
  • 性质1 $(M^{-1}{)}^{-1}=M$
  • 性质2 $I^{-1}=I$
  • 性质3 $(M^{-1}{)}^T=(M^T{)}^{-1}$
  • 性质4 $(AB{)}^{-1}=B^{-1}{A}^{-1}$
  • 正交矩阵： $M^{-1}<=>M^T$
    • 仅包含一个方向的旋转的矩阵是正交矩阵

应用

2D旋转
点$A=\left[\begin{array}{cc}x& y\end{array}\right]$
顺时针旋转角为α
$A^{\prime }=\left[\begin{array}{cc}x& y\end{array}\right]\ast \left[\begin{array}{cc}cos\alpha & sin\alpha \\ -sin\alpha & cos\alpha \end{array}\right]$
3D旋转
x轴旋转(x,y,z)
$\left[\begin{array}{ccc}1& 0& 0\\ 0& cos\alpha & sin\alpha \\ 0& -sin\alpha & cos\alpha \end{array}\right]$
y、z轴旋转同理可知

---

2D平移（3X3矩阵）
点$A=\left[\begin{array}{cc}x& y\end{array}\right]$
平移距离（dx,dy,0)
$A^{\prime }=\left[\begin{array}{ccc}x& y& 1\end{array}\right]\ast \left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ dx& dy& 1\end{array}\right]=\left[\begin{array}{ccc}x+dx& y+dy& 1\end{array}\right]$
3D平移（4X4矩阵）
$A^{\prime }=\left[\begin{array}{cccc}x& y& z& 1\end{array}\right]\ast \left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ dx& dy& dz& 1\end{array}\right]=\left[\begin{array}{cccc}x+dx& y+dy& z+dz& 1\end{array}\right]$

---

y轴旋转+3D平移
$\left[\begin{array}{cccc}cos\alpha & 0& sin\alpha & 0\\ 0& 1& 0& 0\\ -sin\alpha & 0& cos\alpha & 0\\ 0& 0& 0& 1\end{array}\right]\ast \left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ dx& dy& dz& 1\end{array}\right]=\left[\begin{array}{cccc}cos\alpha & 0& sin\alpha & 0\\ 0& 1& 0& 0\\ -sin\alpha & 0& cos\alpha & 0\\ dx& dy& dz& 1\end{array}\right]$
(3D平移的左上角3X3可以看做是一个单位矩阵，任何矩阵乘单位矩阵等于原矩阵，旋转的矩阵复制过来即可）

---

缩放矩阵
$\left[\begin{array}{cccc}scal{e}_x& 0& 0& 0\\ 0& scal{e}_y& 0& 0\\ 0& 0& scal{e}_z& 0\\ 0& 0& 0& 1\end{array}\right]$

---

透视投影
Py为原位置，忽略掉P’y的正负性，可以得相似三角形的计算，转为矩阵计算

$A^{\prime }=\left[\begin{array}{cccc}x& y& z& 1\end{array}\right]\ast \left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& \frac{1}{d}\\ 0& 0& 0& 0\end{array}\right]=\left[\begin{array}{cccc}x& y& z& \frac{z}{d}\end{array}\right]$
虽然这里是四元向量，但在摄像机上只能显示两个(x,y)，所以需要根据z和d来设置距离信息（x,y)*d/z