《计算机图形学原理及实践》学习笔记之第七章

第七章 2D 和 3D 空间中的基础数学与几何

引言

• 实现原则
  • 如果你对一个数学问题的理解足够透彻，则一定写一个程序实现它

记号

与传统的数学记号相同

集合

• 集合 B 和 集合 C 的笛卡尔乘积 定义为：
  • B × C = { ( b , c ) : b ∈ B , c ∈ C } B × C = \{(b,c):b ∈ B, c ∈ C\} B×C={(b,c):b∈B,c∈C}
  • 读作 B 叉乘 C，但称为 笛卡尔乘积，保留向量叉乘的术语
• 乘积 R×R 记作 $R^2$，更高阶的是 $R^3$ $R^4$ 等等…

函数

• 函数的表示：

  • $f:R\to R:x\to x^2$
  • f 是函数的名字
  • 第一个冒号后所示的两个集合，箭头左侧是 定义域 右侧是 陪域
  • 第二个冒号后所示的是 定义域中某元素 x 到 陪域中对应元素的 映射规则

• $g:R\to R_0^{+}:x\to x^2$

  • 函数 f 与 函数 g 是有区别的。对于函数 g，函数值得集合 覆盖了整个陪域。而对于函数 f，函数值得集合只是陪域的一个真子集。
  • 函数 g 称为 满射，而函数 f 不是

• $h:R_0^{+}\to R_0^{+}:x\to x^2$

  • 函数 h 与 函数 g 又不同。函数 h 不仅仅满射，函数 h 定义域内任何两个元素都不会对应于陪域中同一个元素。换句话说有 h(a) = h(b) 则一定有 a = b
  • 我们成这样的属性为 单射。即 函数 h 不仅满射 而且 单射

• 一个 既是 单射 又是 满射 的函数，具有 逆函数，以函数 h 举例

  • $h^{-1}:R_0^{+}\to R_0^{+}:x\to \sqrt{x}$
  • 更一般的说，如果
  • $f:C\to D$
  • 既是 单射 又是 满射(或者说双射)，那么它的逆函数：
  • $f^{-1}:D\to C$
  • 是满足如下条件的唯一函数：
  • $f^{-1}(f(x))=x$，对于所有 x ∈ D
  • $f(f^{-1}(y))=y$，对于所有 y ∈ C

• 分段函数(略)

• 反正切函数

  • 定义 从 R 到 开区间$(-2\pi /2,2/pi/2)$ 的 arctan函数(反正切函数) 为 正切函数的 逆函数。
  • 反正切函数大多用在角度值的计算。
  • tan = cos / sin = y / x，arctan 同理

• 程序如何计算三角函数呢？

  • 三角函数作为基本初等函数，我们似乎无法把它向下拆解，同时也无法很好的用程序表达。但是构造出其近似式，得出其近似值。
  • 泰勒公式/麦克劳林公式：
    • 泰勒公式是用多项式函数逼近一个给定函数的方法，也是机器学习中 梯度迭代的核心思想。
    • 泰勒公式的定义：
    • 如果函数 $f(x)$ 在含 $x_0$ 的某个开区间 (a, b) 内具有$(n+1)$阶导数，则对任意 x ∈ (a, b) 有
      $f(x)=\frac{f(x_0)}{0!}+\frac{\dot{f(x_0)}}{1!}\ast (x-x_0)+\frac{\ddot{f(x_0)}}{2!}\ast (x-x_0{)}^2+\frac{\dot{\ddot{f{x}_0}}}{3!}\ast (x-x_0{)}^3+...+\frac{f^{(n)}(x_0)}{n!}\ast (x-x_0{)}^n+R_n(x)$

• 其中 R_n(x) 为余项，即误差，拉格朗日余项表示为 $\frac{f^{(n+1)}(x_0)}{(n+1)!}\ast (x-x_0{)}^{(n+1)}$

• 麦克劳林公式，是泰勒公式的拓展，其将泰勒公式中的 $x_0$ 限定为 0
  $f(x)=\frac{f(0)}{0!}+\frac{\dot{f(0)}}{1!}\ast x+\frac{\ddot{f(0)}}{2!}\ast x^2+...+\frac{f^{(n)}(0)}{n!}\ast x^n+R_n(x)$

• 使用泰勒公式 或 麦克劳林公式可以对函数进行近似求解，但是它们是无穷项的呀？实际上，我们近似到第 n 项 和 近似到第 n + 1 项，它们的差 就是近似到第 n 项的余项，即误差，如果这个误差小于我们的 规定值，那么我们就可以输出近似结果了

实现代码：

public static double Sin(double x)
{
    double res = 0;
    double last = 0;
    int n = 1;
    double temp = x;
    do
    {
        last = res;
        res += temp;
        n+=2;
        temp = temp * x * x * (-1) / (n * (n - 1));
    }
    while (Math.Abs(res - last) > double.Epsilon);
    return res;
}

• 这里使用的是麦克劳林的展开式，把 sin 函数代入即可得到 sin 的麦克劳林的展开式，比较简单，这里就不做推导了
• 有了 sin，cos 和 tan 就很简单了，一个是相位的改变，另一个是二者的比值。
• 那么我们是否可以用一个固定的多项式，来对其进行近似呢？
  • 实际上是可以的，就像机器学习梯度迭代最后得到一个固定的多项式一样。但实际上我们上面的代码更为合适，因为对于一些输入，其只需要迭代 十几次 就可以得到准确答案，而有的则需要迭代二十多次，如果我们把多项式固定下来，则对于一些输入来说就浪费了一些计算量。
• 显而易见的，sin 的函数曲线与 幂函数曲线类似。我们可以通过构造 二次幂函数，然后将其进行分段构造成一个周期函数来近似 sin，这样做的话，我们的计算效率将会更高。至于这个幂函数该如何得到，这里就不作推导了，使用麦克劳林展开式计算三角函数是程序上更加常用的方法。

$Sinx=x-\frac{x^3}{3!}+\frac{x^5}{5!}-\frac{x^7}{7!}+...+(-1{)}^{n+1}\ast \frac{x^{(2n-1)}}{(2n-1)!}$

坐标

略

坐标运算

• 中点计算公式：
• $M=(\frac{x_1+x_2}{2},\frac{y_1+y_2}{2})$
• 还可以写成
• $M=\frac{1}{2}(x_1,y_1)+\frac{1}{2}(x_2,y_2)$
• 像中的计算公式这样的，各项系数之和为 1 (1/2 + 1/2 = 1)，我们称之为 仿射。该类组合结果在不同的坐标系下具有不变性。
• 我们设两点：P:$(x_1,y_1)$ Q:$(x_2,y_2)$
• 那么中点计算公式得到的就是 P 到 Q 连线的中点
• 那么 $\frac{1}{3}P+\frac{2}{3}Q$ 呢？
• 就是 P 到 Q 连线的三分点处
• 我们甚至可以取负数：$\frac{-1}{3}P+\frac{4}{3}Q$ 这也仿射条件，且该点位于 P Q 连线所在直线上
• 于是根据 仿射我们可以得到：
• $\gamma :R\to R^2:t\to (1-t)P+tQ$
• 上式称为连接 P 和 Q的直线的参数化方程，变量 t 是参数。

向量、矩阵

• n维向量可以看作是一个 n×1 的矩阵
• m × n 的矩阵，表示为由 m行 n列 元素组成的矩阵
• 矩阵的转置操作：
  • 转置可以把 m × n 的矩阵变为 n × m 的矩阵。只需要将矩阵 ij 位置上的元素置为 原来矩阵 ji 位置上的元素
  • 矩阵A 的 转置矩阵记作 $A^T$
• 向量是矢量，即如果两个向量在坐标系下其位置不同，但是方向和长度相同，则这两个向量是同一个向量
• 向量的长度 又称为 向量的模，记为 $||v||$，长度为 1 的向量称为单位向量，把一个向量变为单位向量，就是该向量除以自己的模，这一过程称为 归一化
• 向量运算 略，主要提一点，向量的叉乘遵循右手定则
  • 记 $\times \left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]=\left[\begin{array}{c}-v_y\\ v_x\end{array}\right]$ 为向量的"积"，也记为 $v┴$ 或 $\times v$，其也是向量 v 的法向量
• 点 和 点 之间的差为一个向量
• 点 与 向量的和 为一个点
• 矩阵乘法：

  • 如矩阵 A 是 m × k 的矩阵，矩阵 B 是 k × n 的矩阵，则二者可以进行乘法，得到的是 m × n 的矩阵

  • 

  • 简单记为 矩阵 A 的 第 i 行，分别与矩阵 B 的 每列(即当前列为 第 j 列)，对应元素相乘相加，即为 结果矩阵的 i,j 位置的元素

• 隐式直线
  • 水平集：
    • 如果 $F:R^2\to R$ 是一个函数，那么对于任一 c，可定义一个集合：
    • L c = { ( x , y ) : F ( x , y ) = c } L_c=\{(x,y) : F(x,y) = c\} Lc​={(x,y):F(x,y)=c}
    • 称 F 在 c 处的 水平集（类似于等高线图）
    • 那么显然，不同的水平集之间是没有交集的，即不同的等高线是不会相交的
    • 特别的，即 c = 0 的水平集为 函数 F 的 零水平集
  • 找到一个函数 F，使其在经过 P、Q 两点所在直线上为 0，即该直线上的点坐标 代入结果都为 0
    • 那么我们已经知道 P、Q 所在直线的法向量：$n=\times (P-Q)=(P-Q)┴$
    • 而又：直线上的向量与该直线法向的点乘为 0，即设 X 是直线上一点有 $(X-P)•n=0$
    • 那么就有：$F(X)=(X-P)•n$
    • 上面就是直线的标准隐式形式
    • 标准隐式可以 转换为 直线方程
      • 设 P 为 $(c_1,c_2)$，n 为 $\left[\begin{array}{c}a\\ b\end{array}\right]$
      • 那么标准隐式就是 $((x,y)-(c_1,c_2))\cdot \left[\begin{array}{c}a\\ b\end{array}\right]$
      • $\left[\begin{array}{c}(x-c_1)\\ (y-c_2)\end{array}\right]\cdot \left[\begin{array}{c}a\\ b\end{array}\right]$
      • 即 $a(x-c_1)+b(y-c_2)=0$
      • 即 $ax+by-c_1-c_2=0$
• 图形学一般避免使用 y = mx + b 的形式描述直线，即 斜率-截距 形式。其中 m 为斜率，b 为截距。因为斜截式无法表示垂直的直线(直线垂直于 x 轴，该直线无斜率和截距，因为斜截式是一种函数表示，垂直于x轴的图像，也不满足函数条件)

矩阵乘法的代码实现：

public static int[,] MatrixX(int[,] a, int[,] b)
{
    if (a == null || b == null) return null;
    int ac = a.GetLength(0);
    int br = b.GetLength(1);
    if (a.GetLength(0) != b.GetLength(1)) return null;
    int[,] res = new int[ac, br];
    for(int col = 0; col < ac; ++col)
    {
        for(int row = 0; row < br; ++br)
        {
            int item = 0;
            for(int i = 0; i < ac; ++ac) item += a[col, i] * b[i, row];
        }
    }
    return res;
}

直线求交

参数化-参数化直线求交

• 有两条直线的参数化表示：
• $\gamma :R\to R^2:t\to tA+(1-t)B$
• $\eta :R\to R^2:s\to sC+(1-s)D$
• 如果两个直线有交点，则一定有 $t_0$ 和 $s_0$ 使得
• $t_{0}A+(1-t_0)B=s_{0}C+(1-s_0)D$
• 令 $v=A-D$， $u=C-D$
• 得到 $B-D=-t_{0}v+s_{0}u$
• 令两边与 $\times v$ 进行点积 得
• $(B-D)\cdot (\times v)=-t_{0}v\cdot (\times v)+s_{0}u\cdot (\times v)$
• $s_0=\frac{(B-D)\cdot (\times v)}{u\cdot (\times v)}$
• 如果要求 $u_0$ 那么两边都点乘 ×u 即可

参数化-隐式直线求交

• $\gamma (t)=(1-t)P+tQ$
• $l=X:(X-S)•n=0$
• 若两直线相交，则有 $t_0$ 使 $\gamma (t_0)$ 在直线 l 上
• 那么就可以得到：
• $(\gamma (t_0)-S)\ast n=0$
• $((1-t_0)P+t_{0}Q)-S)\ast n=0$
• $(t_0(Q-P)+(P-S))\ast n=0$
• 设 $u=(Q-P)$ $v=(P-S)$ 得：
• $t_{0}u\ast n+v\ast n=0$
• $t_0=\frac{-v\ast n}{u\ast n}$

直线求交代码实现：

public struct Vector2
{
    public float x;
    public float y;
    public Vector2(float x, float y)
    {
        this.x = x;
        this.y = y;
    }
    public static float operator * (Vector2 v1, Vector2 v2)
    {
        return v1.x * v2.x + v1.y * v2.y;
    }
    public static Vector2 operator *(Vector2 v1, float v2)
    {
        return new Vector2(v1.x * v2, v1.y * v2);
    }
    public static Vector2 operator *(float v1, Vector2 v2)
    {
        return new Vector2(v1 * v2.x, v1 * v2.y);
    }
    public static Vector2 operator + (Vector2 v1, Vector2 v2)
    {
        return new Vector2(v1.x + v2.x, v1.y + v2.y);
    }
    public static Vector2 operator -(Vector2 v1, Vector2 v2)
    {
        return new Vector2(v1.x - v2.x, v1.y - v2.y);
    }
    public static Vector2 operator -(Vector2 v)
    {
        return new Vector2(-v.x, -v.y);
    }
    public static Vector2 operator /(Vector2 v1, float v2)
    {
        return new Vector2(v1.x / v2, v1.y / v2);
    }
}
public static Vector2 PPIntersect(Vector2 A, Vector2 B, Vector2 C, Vector2 D)
{
    Vector2 v = A - B;
    Vector2 u = C - D;
    Vector2 xv = new Vector2(-v.y, v.x);
    float s0 = (B - D) * xv / (u * xv);
    return s0 * C + (1 - s0) * D;
}
public static Vector2 IPIntersect(Vector2 P, Vector2 Q, Vector2 S, Vector2 n)
{
    Vector2 v = P - S;
    Vector2 u = Q - P;
    float t0 = (-v * n) / (u * n);
    return (1 - t0) * P + t0 * Q;
}

光线-平面求交

• 给定一条起点为 P、方向向量为 d(故光线上的点为 P + td， t >= 0)，已经经过点 Q、法向量为 n 的平面，计算它们的交点。平面上任意一点 X 具有如下属性：
• $(X-Q)\cdot n=0$
• 这是由直线的隐式方程得到的 平面的方程
• 若 光线 与 平面相交，则有 $t_0$ 使得：
• $(P+t_{0}d-Q)\cdot n=0$
• $(P-Q)\cdot n+t_{0}d\cdot n=0$
• $t_0=\frac{(Q-P)\cdot n}{d\cdot n}$
• 但在求解过程中 d·n 可能为 0，此时 光线方向d 与 平面法向 n 垂直，即 光线与平面没有交点，光线平行与平面。或光线就在平面上，与平面有无数个交点。此时无法求解处 $t_0$
• 平面也有其参数化方程，其由平面上一点 Q 和 两个线性无关的向量 u 和 v 定义：
• $Q+\alpha u+\beta v$
• 若光线与平面有交点，则设 $t_0$ 有
• $P+t_{0}d=Q+\alpha u+\beta v$
• $P-Q=\alpha u+\beta v-t_{0}d$
• 现在问题转换为了 u、v 和 d 的线性组合。令 M 是一个矩阵，它的列向量为这三个向量，则有：
• $P-Q=M\left[\begin{array}{c}\alpha \\ \beta \\ -t\end{array}\right]$
• 若 M 不可逆，则光线平行于平面，若 光线在平面内，则有无数的解。
• 可以发现，对于参数化形式的平面求交，光线与隐式平面的求交计算要容易的多

代码：

public struct Ray
{
    public Vector3 orgion { get; private set; }
    public Vector3 dir { get; private set; }

    public Ray(Vector3 orgion, Vector3 dir)
    {
        this.orgion = orgion;
        this.dir = dir;
    }
}

public struct Plane
{
    public Vector3 Q { get; private set; }
    public Vector3 nor { get; private set; }
    public Vector3 u { get; private set; }
    public Vector3 v { get; private set; }
    public Plane(Vector3 Q, Vector3 nor)
    {
        this.Q = Q;
        this.nor = nor;
        this.u = Vector3.Zero;
        this.v = Vector3.Zero;
    }
    
    public Plane(Vector3 Q, Vector3 u, Vector3 v)
    {
        this.Q = Q;
        this.nor = Vector3.Cross(u, v);
        this.u = u;
        this.v = v;
    }

    public static bool IntersectWithRay(Ray ray, Plane plane, out Vector3 point)
    {
        point = Vector3.Zero;
        float dn = Vector3.Dot(ray.dir, plane.nor);
        if (dn == 0) return false;
        float t = Vector3.Dot(plane.Q - ray.orgion,  plane.nor) / dn;
        point = ray.orgion + t * ray.dir;
        return true;
    }
}

光线-球求交

球的隐式描述：
$(X-Q)\cdot (X-Q=r^2$
将射线表示 $P+td$ 代入得到
$(d\cdot d)t^2+(2d\cdot v)t+(v\cdot v-r^2)=0$
是一个一元二次方程，求解 t 即可，可能有 无解、 1个解、2个解

代码：

public struct Sphere
{
    public Vector3 origion;
    public float radius;
    public Sphere(Vector3 origion, float radius)
    {
        this.origion = origion;
        this.radius = radius;
    }
    public static int IntersectWithRay(Ray ray, Sphere sphere, out Vector3[] points)
    {
        points = new Vector3[2];
        Vector3 v = ray.orgion - sphere.origion;
        float a = Vector3.Dot(ray.dir, ray.dir);
        float b = 2 * Vector3.Dot(ray.dir, v);
        float c = Vector3.Dot(v, v) - (sphere.radius * sphere.radius);
        float t = b * b - 4 * a * c;
        if (t < 0) return 0;
        float aa = 2 * a;
        float b2a = -b / aa;
        if (t == 0)
        {
            points[0] = ray.orgion + ray.dir * b2a;
            return 1;
        }
        float gt2a = Mathf.Sqrt(t) / aa;
        points[0] = ray.orgion + ray.dir * (b2a + gt2a);
        points[1] = ray.orgion + ray.dir * (b2a - gt2a);
        return 2;
    }
}

三角形

如图，我们设 A、B、C 为三角形的三个顶点，则可以得到
$Q=(1-t)A+tB$
$R=(1-s)Q+sC$
联立两式可以得到：
$R=(1-s)[(1-t)A+tB]+sC=(1-s)(1-t)A+(1-s)tB+sC$
这样，令 s、t 的取值范围都为 0~1，我们就可以计算出三角形 ABC 内任意一点 R
这即为 三角形的参数式表达

重心坐标

我们再来看参数表达：
$R=(1-s)(1-t)A+(1-s)tB+sC$
该参数方程有三个系数，分别为：
$(1-s)(1-t)$、$(1-s)t$、$s$
当 s、t 都取 0~1 范围时，这三个系数都为正数，且三个系数之和为 1：
$$(1-s)(1-t)+(1-s)t+s=(1-s)(1-t+t)+s=1-s+s=1$$
因此，我们定义 三角形的重心坐标表示：
$R=\alpha A+\beta B+\gamma C$
其中：
$\alpha +\beta +\gamma =1$

练习：
在三角形 ABC 中，边 AB 的中点的重心坐标是什么？
$P=0.5A+0.5B$
三角形的中心的重心坐标：
$P=0.5A+0.5B+0.5C$

设 $A=(1,0,0)$，$B=(0,1,0)$，$C=(0,0,1)$，点 P 的重心坐标为 α、β、γ，那么点 P 的 3D 坐标是什么？
$P=\alpha (1,0,0)+\beta (0,1,0)+\gamma (0,0,1)=(\alpha ,\beta ,\gamma )$

重心坐标常用到的两种解释：

• 在一个非退化三角形中，点 P 的 α 坐标等于 点P 到 边BC 的垂直距离 乘以 一个比例因子。该比例因子使得 点A 的 α 坐标正好为 1. 该结论可以由两种方法来进行验证：
  • 用顶点的坐标代入计算验证
  • 点 P 到边的 垂直距离，和 α坐标，都是 平面仿射函数(线性变换 + 位移)，因此若在 三个顶点处，它们的取值都一样，则就可以保证在三角形内部任意一点它们是一样的
• 根据上面的解释，我们可以得到 由点 P、B、C 构成的三角形，且 P 的 α坐标为：
  $$\alpha =\frac{S_{PBC}}{S_{ABC}}$$
  推导过程：
  设 比例因子为 θ，点 A 到 边BC 的垂直距离为 h，点 P 到 边BC 的垂直距离为 h’ 得：
  $$\theta h=1$$
  $$\theta h^{\prime }=\alpha$$
  $$S_{ABC}=h\ast BC\ast 0.5$$
  $$S_{PBC}=h^{\prime }\ast BC\ast 0.5$$
  $$\frac{S_{PBC}}{S_{ABC}}=\frac{h^{\prime }}{h}=\frac{\alpha /\theta }{1/\theta }=\alpha$$

空间三角形 和 射线 与 三角形求交

上面的三角形参数化 和 重心坐标 与维度无关，因此在 3D空间下 仍然适用
接下来我们思考，射线 与 三角形 求交的解法
三角形所在的平面是唯一的，且我们知道三角形三个顶点的位置，那么就可以得到三角形所在平面的表示
我们的策略为，先计算 射线 与 三角形所在平面的交点 Q，然后 计算 交点Q 的重心坐标，确定其是否在三角形内。
为了加速求交计算，我们会让三角形存储一些预计算数据包括：
$n$ 三角形法向量
$AB┴$ 在三角形所在平面内，且 垂直于 AB，且 $(C-A)\cdot AB┴=1$
$AC┴$ 在三角形所在平面内，且 垂直于 AC，且 $(B-A)\cdot AC┴=1$
我们先看 γ 的计算：
首先证明 AB┴ 的模，为 C 到 AB 的垂直距离 的 倒数：

根据之前的重心坐标的两种解释，我们可以知道 设我们要求 X 的重心坐标 则：
$\gamma =\frac{S_{XAB}}{S_{ABC}}=\frac{h^{\prime }}{h}$
那么接下来我们就要找 h’ 即，X 到 AB 的垂直距离：

这样我们就得到了：
$$\gamma =(X-B)\cdot A{B}^{\perp }$$
或
$$\gamma =(X-A)\cdot A{B}^{\perp }$$
同理得：
$$\beta =(X-A)\cdot A{C}^{\perp }$$
$$\alpha =1-\gamma -\beta$$
我们最后再看一下 $A{B}^{\perp }$ 和 $A{C}^{\perp }$ 是怎么计算得到的
对于 $A{B}^{\perp }$
我们先 $A{B}^{\perp }=n\times (B-A)$ 得到正确方向的单位向量
然后 $A{B}^{\perp }/=(C-A)\dot{A}{B}^{\perp }$ 得到 正确的模长
同理，对于 $A{C}^{\perp }$
我们先 $A{C}^{\perp }=n\times (C-A)$ 得到正确方向的单位向量
然后 $A{B}^{\perp }/=(B-A)\dot{A}{C}^{\perp }$ 得到 正确的模长

半平面 和 三角形

函数 F(x, y) = Ax + By + C 可以映射为 $R^3$ 即 三维空间中的一个平面
它是怎么映射的呢？我们看 xy平面：

将 Ax + By + C = 0 这条直线，在 z方向展开，即可得到 F(x, y) = Ax + By + C 在 三维空间映射的 平面
同时我们可以看到 原点 到 点(A, B) 的向量，与 Ax + By + C = 0 这条直线垂直，而 Ax + By + C = 0 这条直线 实际上就是 F(x, y) = Ax + By + C 在三维映射平面 与 xy平面 的交线
所以 F(x, y) = Ax + By + C 映射的平面，与 xy平面的交线(称为 l) 一定与 原点 到 (A, B) 这一向量垂直(称为 AB)
那么 在 F(x, y) 平面上，位于 l 往 AB 正方向一侧，F(x, y) > 0
在 位于 l 往 AB 负方向一侧, F(x, y) < 0
在 位于 l 上, F(x, y) = 0
我们称 F(X) >= 0 的点构成的平面为 半平面
一个在 xy平面上的三角形，可以由 三个这样的平面 在 xy平面上的交线构成，那么对于 三角形内一点 X 可以得到：
$$F_1(X)>=0and{F}_2(X)>=0and{F}_3(X)>=0$$

关于三角形法向的方向，我们将三角形的三个顶点按一定的顺序排列，然后根据右手定则来确定法向。
一般取逆时针顺序

多边形

多边形通常表示为一个有序的顶点表。不自交的多边形称为简单多边形
凸多边形：取其边界上任意两点，其连线完全位于多边形内 称为 凸多边形

多边形的内部 与 外部：
设 $(P_0,P_1,P_2,...,P_n)$ 为一多边形，那么线段 $P_0{P}_1,P_1{P}_2,...$ 称为该多边形的 边
向量 $v_0=P_1-P_0$, $v_1=P_2-P1$ … 称为 边向量
对于每条边 $P_i{P}_{i+1}$ 其朝内的边法向定义为 $\times v_i$，朝外的边法向定义为 $-(\times v_i)$
还记得 $\times v_i$ 吗？它在本章开始时被定义，若 $v_I=(x,y)$ 则有 $\times v_I=(-y,x)$，可以发现 $v_i$ 与 $\times v_i$ 是垂直的
这样的定义使得我们可以按照一定的顶点排列顺序来表示 有孔的多边形的内部与外部：

如上图，若要判断 平面上一点 是否在 多边形内部，只需要从该点朝任一方向发射一条射线，我们将该射线 与 该多边形的相交情况做下面分类：

• 如果在交点处射线与所交边的 朝内法向的内积(点积)为正，则称该点为 入点
• 如果在交点处射线与所交边的 朝内法向的内积为负，则称该点为出点
• 当然，如果一个交点都没有，该点一定位于该多边形外部

如果 出点数 大于 入点数，则说明该点位于该多边形内部

出点数与入点数之差称作多边形关于该点的绕数

绕数还有一种不同的定义：
对于由顶点 $P_1,P_2,...,P_n$ 构成的多边形，其关于点 Q 的绕数 与 多边形所有边对点 Q 所张夹角之和有关。若所有夹角之和为 2pi，则绕数为 1；如果为 4pi, 则绕数为 2，依次类推我们有：
$$n=\frac{1}{2\pi }\sum _{i=1}^{n}co{s}^{-1}(\frac{(P_{i+1}-Q)\cdot (P_i-Q)}{|P_{i+1}-Q||P_i-Q|})$$

非简单多边形的内部

非简单多边形的内部有三种判断规则：

1. 正绕数规则：判定绕数取正值的点位于多边形内部
2. 奇绕数规则：判定绕数为奇数的点位于内部
3. 非零绕数规则：判定绕数不为零的点位于内部

每种规则都有其用途，绘图程序应该允许这 3 种规则并存。

平面多边形的符号面积： 分而治之

设 $P_1=(x_1,y_1)$, $P_2=(x_2,y_2)$ 为 xy平面上的两点，Q = (0, 0) 为原点，那么三角形 $Q{P}_1{P}_2$ 的符号面积由下式给出：
$$\frac{1}{2}(x_1{y}_2-y_1{x}_2)$$
推导过程：

如果三角形顶点 Q、P1、P2 为逆时针次序，则三角形符号面积为正
如果按顺时针次序则符号面积为负
关于这一点我们可以这样验证：
首先旋转三角形并不会改变三角形符号面积的绝对值，那么我们可以通过旋转三角形，使得 点 P1 在 x 轴上
那么根据 顺、逆 时针排序，会有下面这种情况：

我们再来推导更一般的情况：
给出由顶点 $P_0=(x_0,y_0)$、$P_1=(x_1,y_1)$、$P_2=(x_2,y_2)$ 构成的三角形，求其符号面积
此时，我们可以设 P0 为坐标系原点，即将 P0 变为 (0, 0), 那么 P1 和 P2 的新坐标就为 (x1 - x0, y1 - y0)和 (x2 - x0, y2 - y0)
代入上面的公式，可得：

即：
$$S=\frac{1}{2}\sum _{i=0}^2(x_i{y}_{i+1}-x_{i+1}{y}_i)$$
注意：下标要对 3 取余(模)，即 x3 为 x0， y3 为 y0

若要确定一个多边形 $P_0{P}_1...P_n$ 的符号面积，可以采用相同的技术：
首先计算 $Q{P}_0{P}_1$，$Q{P}_1{P}_2$，… , $Q{P}_n{P}_0$，然后去除位于 多边形外的那部分区域，雷焦位于内部的区域的面积，即可得到正确的总面积。最后形式为：
$$area=\frac{1}{2}\sum _{i=0}n(x_i{y}_{i+1}-y_i{x}_{i+1})$$
这里下标同样对 n+1 进行取余(模)

空间多边形的法向量

前面已经给出 对于三角形 $P_0{P}_1{P}_2$ 的法向量 n，$n=(P_1-P_0)\times (P_2-P_1)$
特别的，如果这些顶点都恰好共线，则 n = 0

法向量还有一种表示：
$$n=\left[\begin{array}{c}{A}_{yz}\\ A_{zx}\\ A_{xy}\end{array}\right]$$
$A_{yz}$ 为三角形在 yz平面上的投影的面积
$A_{zx}$ 为三角形在 zx平面上的投影的面积
$A_{xy}$ 为三角形在 xy平面上的投影的面积
该法向量并不是一个单位向量，实际上其模长为该三角形的面积
这里可以通过 $\frac{1}{2}(x_0{y}_1-y_1{x}_0)$ 来计算在 xy 平面上投影的面积，同理可以计算处 yz、zx 平面上投影的面积
可以发现，在对应分量上，其是 叉乘结果的二分之一

更一般多边形的符号面积

设有位于平面 S 上的一多边形 $P_0{P}_1...P_n$，其法向量为单位向量 n，则可以在 S 上确定两个正交单位i向量(相互垂直的两个单位向量) x 和 y，使得 x、y 和 n 满足 $n=x\times y$。
我们取平面上某点为原点，可以构建 xyn 坐标系，那么就可以在该坐标系下确定每个 $P_i$ 的坐标，显然 每个坐标的 z 分量 或者说 第三维度(3D坐标值) 为 0，因为我们的 z轴 就是该平面 法向 n
那么 $P_i$ 可以表示为 $(x_i,y_i,0)$，这样就可以根据这些坐标进行符号面积的计算。
如果该多边形是三角形，且 符号面积为正，则称为 正向三角形，如果 面积为负 则称为 负向三角形
那么，如果我们的 法向 n 取反向，即 法向取 -n，那么求得的面积 也会取反(因为 x 和 y 中有一轴会取反，这样才能满足 $n=x\times y$)。因此，符号面积 和 三角形的取向是依据 带法向的平面 定义的。
以 zx平面为例，如果三角形顶点按逆时针顺序排列，则该三角形为正向三角形

倾斜原理

n’ 为 A平面的法向，n 为 B平面的法向
反过来，B平面上的三角形 T，其沿其法向 n 向 A平面做投影得到的三角形 T’ ，T’ 与 T 的面积二者之间是一个 余弦关系：
$T=T^{\prime }\ast n^{\prime }\cdot n$
T’ 沿着 n 向 B平面做投影，同样会在 B平面 得到 T，公式不变

重心坐标的仿射变换不变的性质

仿射变换：线性变换 + 平移变换
线性变换：旋转、缩放、错切、退化/奇异
重心坐标的仿射变换不变的性质即：
对三角形的顶点 和 三角形内任一点 Q 进行 旋转、平移、比例缩放这些变换的组合后，Q 的重心坐标不变。