第6章变换矩阵

本章主题：几何变换

旋转，平移，缩放，投影

6.1二维线性变换 (2D Linear Transformations)

线性变换

6.1.1缩放(scaling)

6.1.2剪切(shearing)

6.1.3旋转(rotation)

6.1.4反射(reflection)

6.1.5变换的组合和分解（composition and decomposition of transformations）

注意变换的顺序

6.1.6变换的分解(decomposition of transformations)

对特征值的分解Symmetric Eigenvalue Decomposition

对称矩阵总是可以使用特征值分解

​ A = RS *R的转置

其中 R 是正交矩阵，S 是对角矩阵； 我们将 R 的列（特征向量）命名为 v1 和 v2，我们将 S 的对角元素（特征值）命名为 λ1 和 λ2

例子

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ppFukuC5-1625968208939)(C:\Users\xingge\AppData\Roaming\Typora\typora-user-images\image-20210627114426543.png)]

奇异值分解Singular Value Decomposition

非对称矩阵也有相似的分解

​ A = US* V的转置

1. 将 v1 和 v2 旋转到 x 和 y 轴（V的转置变换）。

2. 在 x 和 y 中按 (σ1, σ2) 缩放（S 的变换）。

3. 将 x 轴和 y 轴旋转到 u1 和 u2（U 的变换）。

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VQSZ8QF2-1625968208940)(C:\Users\xingge\AppData\Roaming\Typora\typora-user-images\image-20210628111621340.png)]

旋转路径的分解Paeth Decomposition of Rotations

6.2 3D线性变换

​ 3D线性变换是2D线性变换的一个拓展

6.2.1任意3D旋转

6.2.2法线变换

t为曲面切线 n为法线

式子：
$$n^T\ast t=0$$
如果该曲线同过变换矩阵M 将t和n得到变换的后的 Mn法线和 Mt切线 ，但这两个向量不会互相垂直

所以本小节的目的是寻找曲线变换后的法线Nn

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8CksCl1S-1625968208940)(C:\Users\xingge\AppData\Roaming\Typora\typora-user-images\image-20210711084936239.png)]

即目的是
$$N{n}^T\ast Mt=0$$
首先 插入单位矩阵 I= M^-1 * M; 得出

​
$$n^T\ast t=n^{T}It=n^T{M}^{-1}Mt=0$$
然后添加括号
$$(n^T{M}^{-1})(Mt)=(n^T{M}^{-1})Mt=0$$
M*t 为变换后的切线Mt

所以
$$N{n}^T=n^T{M}^{-1}$$

$$Nn=(n^T{M}^{-1}{)}^T=(M^{-1}{)}^{T}n$$

如果在opengl的glsl中可以表示

Normal = mat3(transpose(inverse(M))) * aNormal 

6.3平移和仿射变换

引入w分量来表示平移，这样旋转和平移都可以表示在同一个矩阵中，齐次坐标

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZeV2kUxI-1625968208941)(C:\Users\xingge\AppData\Roaming\Typora\typora-user-images\image-20210711092532295.png)]

如果w = 0 这表示这是个向量

如果w 不为0 表示为一个点

6.4变换矩阵的逆

6.5坐标变换

矩阵中，齐次坐标

[外链图片转存中…(img-ZeV2kUxI-1625968208941)]

如果w = 0 这表示这是个向量

如果w 不为0 表示为一个点

6.4变换矩阵的逆

6.5坐标变换