GAMES103-Lecture 02 Math Background: Vector, Matrix and Tensor Calculus

Jozky86

已于 2024-04-28 23:24:49 修改

阅读量622

点赞数 17

分类专栏：图形学 # games103 文章标签：笔记

于 2024-04-15 12:53:50 首次发布

本文链接：https://blog.csdn.net/qq_35975367/article/details/137773123

版权

图形学同时被 2 个专栏收录

13 篇文章

订阅专栏

games103

6 篇文章

订阅专栏

Vector

Vector Norm

在这里插入图片描述 Vector Norm可以用于求两点之间的距离

在这里插入图片描述

点乘

在这里插入图片描述

2.向量在线上的投影

在这里插入图片描述

3.定义点在平面的哪一侧

signed distance可用于碰撞检测
在这里插入图片描述

4. Particle-Sphere Collision

在这里插入图片描述

叉乘

可用于平行或不平行的判定
在这里插入图片描述

5.Triangle Normal and Area

得到的Normal遵循右手法则
既可以求Normal，也可以求三角形面积
在这里插入图片描述

6.Triangle inside/outside Test

判断点是否在三角形里面
前提假设：四个点在同一平面
在这里插入图片描述

7.Barycentric Coordinates（重心坐标）

在这里插入图片描述
早些时期Gouraud Shading会用到

9.Tetrahedral Volume

注：x1是三维列向量
在这里插入图片描述
所求出的体积是有符号的

10.Barycentric Weights(cont.)

类似于三角形的7.Barycentric Coordinates
在这里插入图片描述

11.Particle-triangle Intersection(点与三角形碰撞)

本质看：点与三角形构成的四面体的体积是否为0,即点面相交的位置(9.Tetrahedral Volume)，再检查点是否在三角形内部(6.Triangle inside/outside Test) 在这里插入图片描述

Matrix

Matrix：Definition

在这里插入图片描述

Matrix: Multiplication

$A + A^T$ 也是对称矩阵
在这里插入图片描述

Matrix: Orthogonality(正交矩阵)

每个向量点乘自己为1，点乘其他向量为0
在这里插入图片描述

Matrix: Transformation

正交矩阵与旋转相关
通过旋转矩阵A，将立方体进行旋转变化
[x y z] = I，因为 $X=[1 0 0]^T,Y=[0 1 0]^T$
A = [u v w],其中u,v,w是坐标系，是三个相互垂直的单位向量，因此A是一个正交矩阵
在这里插入图片描述
Scaling 缩放

Singular Value Decomposition(奇异值分解)

D是对角矩阵(奇异值)，UV是正交矩阵
SVD的本质：任何一个线性的形变(linear deformation)，本质上都可以分解为：旋转( $V^T$ )-缩放( $D$ )-旋转( $U$ )
为什么要 $V^T$ :为了缩放的时候沿着坐标轴缩放，例如下图例子，想要按照对角线缩放，所以先旋转将对角线对准坐标轴
在这里插入图片描述

Eigenvalue Decomposition(特征值分解)

D是对角矩阵，U是正交矩阵
Aα=λα，α是特征向量，λ是特征值
在这里插入图片描述

Symmetric Positive Definitenss(s.p.d)

对称且正定
如果一个矩阵是对角矩阵且对角元素都是正的，那么它必然是一个正定矩阵
给一个对称矩阵，根据特征值分解，分解出来的特征值也都是正的话，那么它必然也是正定的
如果对角上都是正的矩阵前后都乘以一个正交矩阵(相当于做旋转)，不影响其正定性
在这里插入图片描述
如果一个矩阵是对角占优的，那么它一定是正定矩阵