GAME101-Lecture03学习

变换引入目的

建模、3D转2D（投影）

缩放（变换）

反射/对称（变换）

切变

• 提示:

• 水平位移在y=0处为0

• 水平位移在y=1处为a

• 垂直位移总是0

整体：只是水平方向发生移动，竖直方向没有变化

上面的边：水平方向移动的都是a

中间的位置（y=0.5时）：水平方向移动都是0.5a

总结可以认为，水平位置移动了a*y。x' = x+ay,y'=y，写成矩阵形式就是右下角的样子。

旋转（变换）

我们自己规定，任何旋转没有特地说明，都认为是绕着原点(0,0)旋转，旋转方向默认逆时针。

旋转矩阵

旋转矩阵推导过程

列向量左乘矩阵

• 首先，(x,y)--->(x',y')肯定是x和y分别乘以了某些系数，从而才能达到(x',y')的效果。（前面切变那里的分析过程

• 按照切变的例子，向量(x',y')可以转化成向量乘矩阵的形式就是闫老师写出的那个ABCD的式子（图中黑色箭头尾端的式子）。此时问题就转化成了解出ABCD的值。

• 要解矩阵，可以通过到带入特殊值的方式。最上面靠右的图就是闫老师演示的某种特殊情况，(1,0)--->(cosθ,sinθ)，将其带入待解式子即可（图中黑色部分）

• 要完全解出来四个参数ABCD，找两个特殊解即可。

（弹幕中有补充一般性的问题，闫老师这种解法是可以的）

线性变换

如果能把变换写成上图的这种形式（即用矩阵乘以输入的坐标可以得到输出的坐标），这种变换叫做线性变换。

即对于一个变换，用一个矩阵表示。

齐次坐标

引入齐次坐标的主要原因是平移变换比较特殊，简单的表示成前面所需的一个矩阵乘以一个向量的形式，而不是让平移变换成为一个特殊的变换。

后续的推导起到帮助理解的作用。

引入目的

• 平移不能以矩阵形式表示(所以，翻译不是线性变换!)

• 但我们不希望翻译成为一个特例

• 是否有一种统一的方式来表示所有的转换?成本是多少

平移的变换主要是加法，看着简单，但是像前面那样，通过矩阵的解法列出的话，会很复杂（如第二幅图）。（弹幕中说，这在线性代数中，叫做非齐次方程）

并且，由于平移的变换中，矩阵乘法后面还要做一个加法，因此平移变换不是线性变换

齐次坐标的解决方案

用齐次坐标，通过增加一个数（一个维度）让平移变换写成矩阵乘以向量的形式（其他的线性变换也可以这么写），如下图(x',y',w')的变换：

齐次的“保护性”

向量表示的是方向性，向量平移表示的任是同一个向量，这说明向量具有平移不变性。

那么如果有一个向量(x,y,0)，经过矩阵的变换，若想让他不变（依旧是(x+t,y+t,0)）。可以增加一个0（一个维度）保护他。

• 齐次坐标

• 如果结果的w坐标为1或0，则有效操作

在空间中（二维或三维），向量加上向量（三角形法则）得到一个新的向量。

点减去点，得到新的向量。

点加上向量，点沿着一条线移动，移动到一个新的点上。

点加点的扩充定义：在二维中，当w不等于0，可以让其转成（x/w,y/w,1)，w=1就可以表示成一个二维的点(x/w,y/w)。

因此点加点得到的是这两个点的中点

上述阐述了，最后一位是0，不仅保证了其平移不变性，还能保证在操作下是对的。

仿射变换

图中上方的式子，我们称为仿射变换。

在图中下方的式子中，我们用一个式子（齐次坐标）表示了所有的变换

用齐次坐标去表示二维的仿射变化时，可以发现：

• 矩阵的最后一行永远是001

• 平移永远是写在最后一列的头两个数上

• 前两列的前两个元素是原来线性变换的部分

2D（二维）变换

缩放变换中，没有平移，因此最后一列头两个数是00。

旋转变换中，平移和缩放同理。

平移变换中，没有经过线性变换，左上角是单位矩阵1001，有平移因此最后一列头两个数是tx ty。

逆变换

逆变换在矩阵中，就是乘以逆矩阵。

组合变换

• 如何才能从左边变换成右边？

• 先平移再旋转，发现不可行

• 先旋转在平移，发现可行

通过上面的例子，可以知道

• 复杂的变换可以通过简单的变化得到

• 变换的顺序很重要

• 这和矩阵的乘法一致，矩阵没有交换律

向量默认时一个列矩阵，因此做变换的时候需要从左往右乘。（如图，列矩阵xy1先做旋转再做平移，因此先左乘一个R再左乘一个T）

推广

• 仿射变换序列A1、A2、A3,…由矩阵乘法构成

• 对性能非常重要！

• 对n个矩阵进行预相乘以获得表示组合变换的单个矩阵

先将前面的矩阵全部乘完，乘完还是一个3*3的矩阵。这说明一个3*3的矩阵可以表示很复杂的变换。

分解变换

• 如何围绕一个给定的点c旋转?

• 将中心转换为原点

• 旋转

• 移动回来

相当于在二维中，图形绕着任意一个点旋转，都可以转换成：先把图形平移使得旋转点与原点重合，再绕原点旋转，然后再把旋转后的图形移回相同的参数

3D变换

三维空间的变换，可以类比二维的。

注意区别，三维的点和向量增加一个数（升维）后，并不是四元数，四元数是专门用来表示旋转的。

• 再次使用齐次坐标

最后一行还是0001

平移：依旧是在最后一列

线性变换：左上角的3*3矩阵

课堂启发

可以把仿射变换写成一个简单的矩阵形式，矩阵表示线性操作和平移操作。

课堂问题

闫老师留下来的问题：在三维的变换中，矩阵应用在xyz这个三维点上，是先平移还是先线性变换呢？

解答：可以看前面，2D下仿射变换的式子，是线性变换（矩阵乘以向量）加上平移变换。因此是先线性变换再平移变换。

总结

今天讲的是各种变换，前面所有的变换都是以2D为例的，3D其实也是同理。

缩放、对称、旋转等这些变换，能够直接用矩阵乘以向量的形式表示，称为线性变换。

平移不能以矩阵乘以向量表示，并不是平移变换。其形式是矩阵乘以向量加上一个矩阵，可以称之为仿射变换。

如果将平移看作特殊的变化，那又太过麻烦。为了让所有的变换具有统一性，引入了齐次坐标的知识。

齐次坐标能够通过加一个数（升维）的方式，通过齐次坐标来表示仿射变换。其次坐标也可以表示线性变换。

因此，能够用齐次坐标的方式，将所有的变换转变成矩阵与向量的形式。

将单一的变换累加，就是组合变换。组合变换中，变换的顺序很重要。

在组合变换中发现，先将所有的变换矩阵相乘，还是能得到一个矩阵，这说明任何复杂的变换都能用一个矩阵来表示。