MVP矩阵变换详解

已于 2024-05-12 21:18:44 修改
阅读量425 收藏 3
点赞数 2
分类专栏： 图形学 文章标签： 矩阵 线性代数
于 2023-10-03 23:32:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/runmasterdd/article/details/133495120
版权

MVP矩阵变换

概念

在这里插入图片描述

MVP变换是图形学中将三维空间里的物体呈现在二维屏幕上的一种方法。

  • M(Model)模型变换
  • V(View)视图变换
  • P(Projection)投影变换

模型变换将物体从局部空间变换到世界空间中，通过视图变换从世界空间转换到相对于摄像机的观察空间，再通过投影变换将物体从观察空间转换到裁剪空间。其实在投影变换后面应该还有一步E(Viewport)视口变换，该变换进行齐次除法，得到归一化坐标，最后进行屏幕映射，将归一化坐标转化为屏幕上的像素坐标。

模型变换（Modeling Transformation）

模型变换是将物体从局部空间变换到世界空间的一个矩阵，这个矩阵是随着物体的运动而改变的。

  • 局部空间

局部空间是每个物体自身的坐标系，它可以方便地描述物体的形状和结构，而不受其他物体或场景的影响。局部空间的原点一般是物体的中心点或重心点，这样可以简化物体的旋转和缩放操作。
举个例子，在UE里，每个你选中的小物体都有一个局部坐标系，这是以物体自身为参照，和世界坐标系分离开来的独立的坐标系
在这里插入图片描述

  • 世界空间

世界空间是整个场景的坐标系，它可以统一地表示所有物体在场景中的位置和方向，以及相互之间的关系。世界空间的原点和轴一般是固定不变的，这样可以方便地进行视图变换和投影变换。
举个例子，能看到的移动一般都发生在世界空间，我们点击移动的物体对比一下就可以发现，一个物体在世界坐标下发生了移动，但是若以他本体为参考物他是不动的

在这里插入图片描述
在这里插入图片描述

  • 为什么需要区分局部空间和世界空间？

通过区分局部空间和世界空间，我们可以实现物体的复用和实例化，即用同一个局部空间定义的物体，在不同的世界空间位置、方向和比例绘制多次，从而节省内存和提高效率。

通过区分局部空间和世界空间，我们也可以实现物体的层级关系和动画效果，即用一个物体作为父节点，定义其子节点的局部空间相对于父节点的世界空间的变换，从而使子节点随父节点一起移动和旋转。

  • 如何进行局部空间到世界空间的变换？

我们一般通过将局部空间的坐标点乘一个变换矩阵来得到他在世界空间的位置
在这里插入图片描述
但是在世界空间中，物体可不止有位移，还有旋转和缩放，所以Model矩阵可以拆分成Translate、Rotate和Scale三个矩阵的点乘
在这里插入图片描述
要注意，这里位移和旋转矩阵的顺序不同得到的结果也是不一样的，因为不管是位移还是选择，作用的对象其实是局部坐标系，移动和旋转的原点都是原本局部坐标系下的原点，不同操作顺序得到的结果截然不同。
在这里插入图片描述
上图中上半部分结果是先旋转再平移，下半部分结果是平移后再旋转，一般情况下，我们Model矩阵执行顺序为Scale、Rotate、Translate。

Scale

Scale矩阵用来对物体进行缩放，我们用齐次矩阵来表示

S c a l e = [ S x 0 0 0 0 S y 0 0 0 0 S z 0 0 0 0 1 ] Scale= \begin{bmatrix} Sx&0 &0 &0 \\ 0& Sy& 0& 0\\ 0 & 0& Sz&0 \\ 0 & 0 &0 &1\end{bmatrix} Scale= ​Sx000​0Sy00​00Sz0​0001​ ​

注意，点乘的顺序不同结果也是不一样的，这里我们点乘的顺序可以从右到左来记：坐标点乘Scale

S c a l e ⋅ [ x y z 1 ] = [ S x ∗ x S y ∗ y S z ∗ z 1 ] Scale\cdot\begin{bmatrix} x\\ y\\ z\\1\end{bmatrix} = \begin{bmatrix} Sx*x\\ Sy*y\\ Sz*z\\1\end{bmatrix} Scale⋅ ​xyz1​ ​= ​Sx∗xSy∗ySz∗z1​ ​

Rotate

Rotate矩阵用来计算旋转，旋转矩阵相对于缩放矩阵而言较为复杂。
这里的旋转我们用欧拉角来表示
在这里插入图片描述
参照上图，我们可以理解为：

  • 绕X轴旋转，即绕pitch（俯仰角）旋转
  • 绕Y轴旋转，即绕yaw（航向角）旋转
  • 绕Z轴旋转，即绕roll（翻滚角）旋转

所以我们可以用三个轴的旋转来综合表示任意旋转
举个例子：
假设P绕X轴旋转θ度得到Pr，我们需要求这个旋转矩阵
在这里插入图片描述
我们的目的是得到一个矩阵，使得

P r = M θ ⋅ [ x y z 1 ] Pr=M\theta \cdot \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix} Pr=Mθ⋅ ​xyz1​ ​

已知Pr、P的坐标，化简得

[ x sin ⁡ α cos ⁡ α 1 ] = M θ ⋅ [ x sin ⁡ ( α + θ ) cos ⁡ ( α + θ ) 1 ] \begin{bmatrix} x\\ \sin \alpha \\ \cos\alpha \\1\end{bmatrix}=M\theta \cdot \begin{bmatrix} x\\ \sin (\alpha+\theta )\\ \cos(\alpha+\theta )\\1\end{bmatrix} ​xsinαcosα1​ ​=Mθ⋅ ​xsin(α+θ)cos(α+θ)1​ ​

解上面的矩阵并不是一个容易的事情，我们采用几何上的解法

y = sin ⁡ ( θ + α ) = sin ⁡ θ cos ⁡ α + cos ⁡ θ sin ⁡ α y = \sin (\theta +\alpha ) = \sin \theta \cos\alpha +\cos\theta \sin\alpha y=sin(θ+α)=sinθcosα+cosθsinα
z = cos ⁡ ( θ + α ) = cos ⁡ θ cos ⁡ α − sin ⁡ θ sin ⁡ α z = \cos (\theta +\alpha ) = \cos \theta \cos\alpha -\sin\theta \sin\alpha z=cos(θ+α)=cosθcosα−sinθsinα

y、z分别乘sinθ和cosθ

y sin ⁡ θ = sin ⁡ θ cos ⁡ θ cos ⁡ α + sin ⁡ 2 θ sin ⁡ α y\sin\theta =\sin\theta \cos\theta \cos\alpha +\sin^{2} \theta \sin\alpha ysinθ=sinθcosθcosα+sin2θsinα
z cos ⁡ θ = cos ⁡ 2 θ cos ⁡ α − sin ⁡ θ cos ⁡ θ sin ⁡ α z\cos\theta = \cos^{2}\theta \cos\alpha -\sin\theta \cos\theta \sin\alpha zcosθ=cos2θcosα−sinθcosθsinα

相加化简得到最后结果

cos ⁡ α = y sin ⁡ θ + z cos ⁡ θ \cos\alpha =y\sin\theta +z\cos \theta cosα=ysinθ+zcosθ
sin ⁡ α = y cos ⁡ θ − z sin ⁡ θ \sin\alpha =y\cos\theta -z\sin \theta sinα=ycosθ−zsinθ

根据上面公式，我，们可以推倒得出Mθ的结果

M θ x = [ 1 0 0 0 0 cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 ] M\theta x =\begin{bmatrix} 1& 0& 0&0 \\ 0& \cos\theta &-\sin \theta &0 \\ 0& \sin \theta& \cos\theta&0 \\ 0& 0& 0&1\end{bmatrix} Mθx= ​1000​0cosθsinθ0​0−sinθcosθ0​0001​ ​

即

P r = M θ ⋅ P = [ 1 0 0 0 0 cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 ] ⋅ [ x y z 1 ] Pr=M\theta\cdot P =\begin{bmatrix} 1& 0& 0&0 \\ 0& \cos\theta &-\sin \theta &0 \\ 0& \sin \theta& \cos\theta&0 \\ 0& 0& 0&1\end{bmatrix}\cdot \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix} Pr=Mθ⋅P= ​1000​0cosθsinθ0​0−sinθcosθ0​0001​ ​⋅ ​xyz1​ ​

我们以此类推后续分别可以得到绕Y和绕Z轴旋转θ度的矩阵

M θ z = [ cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 0 0 0 0 0 1 ] M\theta z =\begin{bmatrix} \cos\theta& -\sin \theta& 0&0 \\ \sin \theta& \cos\theta &0 &0 \\ 0& 0& 0&0 \\ 0& 0& 0&1\end{bmatrix} Mθz= ​cosθsinθ00​−sinθcosθ00​0000​0001​ ​

M θ y = [ cos ⁡ θ 0 sin ⁡ θ 0 0 0 0 0 − sin ⁡ θ 0 cos ⁡ θ 0 0 0 0 1 ] M\theta y =\begin{bmatrix} \cos\theta& 0& \sin \theta &0 \\ 0& 0 &0 &0 \\ -\sin \theta& 0& \cos\theta&0 \\ 0& 0& 0&1\end{bmatrix} Mθy= ​cosθ0−sinθ0​0000​sinθ0cosθ0​0001​ ​

在得到了旋转矩阵以后，我们还需要注意一个问题，就是对不同轴的旋转顺序会影响最后的旋转结果，详细可以看看这个视频

Translate

Translate变换的目的就是计算物体的位移，而计算位移最简单的思想是加法。由于MVP都是矩阵的形式，加法不是佷适用，所以这里我们用一个齐次矩阵直接替换掉原来的加法，原坐标点乘这个齐次矩阵就可以得到位移结果了

T r a n s l a t e = [ 1 0 0 T x 0 1 0 T y 0 0 1 T z 0 0 0 1 ] Translate= \begin{bmatrix} 1&0 &0 &Tx \\ 0& 1& 0& Ty\\ 0 & 0& 1&Tz \\ 0 & 0 &0 &1\end{bmatrix} Translate= ​1000​0100​0010​TxTyTz1​ ​

得到结果

T r a n s l a t e ⋅ [ x y z 1 ] = [ x + T x y + T y z + T z 1 ] Translate\cdot\begin{bmatrix} x\\ y\\ z\\1\end{bmatrix} = \begin{bmatrix} x+Tx\\ y+Ty\\ z+Tz\\1\end{bmatrix} Translate⋅ ​xyz1​ ​= ​x+Txy+Tyz+Tz1​ ​

在得到上面结果以后我们便可以得到完整的Model模型变换矩阵

M o d e l = T r a n s l a t e ⋅ R o t a t e ⋅ S c a l e Model =Translate\cdot Rotate\cdot Scale Model=Translate⋅Rotate⋅Scale

一定要注意点乘顺序，我们需要从右往左来看

视图变换（View Transformation）

模型变换将物体变换到世界坐标下了，接下来是经过视图变换将物体从世界坐标转换到摄像机视角下的视图空间，这样才可以确定哪些物体需要被看到从而渲染出来。视图空间变换分为两步：

  1. 确认摄像机位置（Translate）
  2. 确实摄像机朝向（Rotate）

这两步操作其实沿用了模型变换的思想，View矩阵可以被拆分成Translate和Rotate两个矩阵的点乘。

Translate

视图变换中我们需要以摄像机为原点来构建坐标系，再将世界空间下的模型坐标转换到视图空间里面。
在视图变换中，我们默认摄像机坐标为原点，我们要计算的是世界空间中各个物体相对于摄像机的位置。我们可以换一种理解方式：假设摄像机位置是(Px,Py,Pz),既然视图变换需要以摄像机为原点，那么我们把摄像机移回世界空间的原点，而物体相对于摄像机位置是不变的，所以也需要进行同样的移动，这个时候我们可以求出该变换矩阵

T r a n s l a t e = [ 1 0 0 − P x 0 1 0 − P y 0 0 1 − P z 0 0 0 1 ] Translate=\begin{bmatrix} 1& 0& 0&-Px \\ 0& 1& 0&-Py \\ 0& 0& 1&-Pz \\ 0& 0& 0&1\end{bmatrix} Translate= ​1000​0100​0010​−Px−Py−Pz1​ ​

因为相对坐标没有发生变化，所以此时所有物体都点乘这个矩阵后得到的位置就可以理解为是以摄像机为原点所看到的物体应处于的位置，也就是各物体在视图空间下的位置。

Rotate

但是其实仅通过Translate矩阵不完全正确，因为摄像机是会旋转的，所以我们需要在他旋转的同时给所有物体也点乘一个旋转矩阵才行。

在这里我们需要注意的是，摄像机的旋转和上面模型变换中的旋转是不同的，因为模型变换是旋转本身，而此时的摄像机旋转是旋转以摄像机为原点的整个坐标系

  • 如何旋转坐标系？
    在UE和Blender里面坐标系其实有一些区别
    UE
    在这里插入图片描述
    Blender
    在这里插入图片描述
    由上图可以看出，UE用的是左手坐标系、Blender用的是右手坐标系
    在这里插入图片描述

所以假设当我们在建模的时候，以Blender坐标系为准，但是转换到UE，我们需要点乘一个矩阵M来调整坐标系
我们可以理解为，右手坐标系的z轴是跟左手坐标系的z轴是反向的，所以在UE中我们只需要把Blender导出的物体的z轴全部反向即可，也就是乘以下矩阵

M = [ 1 0 0 0 1 0 0 0 − 1 ] M=\begin{bmatrix} 1& 0&0 \\ 0& 1&0 \\ 0& 0&-1\end{bmatrix} M= ​100​010​00−1​ ​

而我们要算的摄像机的旋转跟上面同理，也就是通过乘某个矩阵来旋转坐标系

举个例子

在这里插入图片描述
在这里插入图片描述
e、t、g是摄像机的坐标系。
我们需要把X、Y、Z坐标系转换到e、t、g坐标系。
直接计算该矩阵略显复杂，我们可以通过逆运算来计算。我们需要求X、Y、Z坐标系转换到e、t、g坐标系所需要的Rotate矩阵，我们可以通过求e、t、g到X、Y、Z变换矩阵的逆矩阵得到，即

R o t a t e ⋅ [ x y z 1 ] = [ e t g 1 ] Rotate\cdot \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix}=\begin{bmatrix} e\\ t\\ g\\1\end{bmatrix} Rotate⋅ ​xyz1​ ​= ​etg1​ ​

R o t a t e − 1 ⋅ R o t a t e ⋅ [ x y z 1 ] = [ x y z 1 ] = R o t a t e − 1 ⋅ [ e t g 1 ] Rotate^{-1} \cdot Rotate\cdot \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix}= \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix}=Rotate^{-1}\cdot \begin{bmatrix} e\\ t\\ g\\1\end{bmatrix} Rotate−1⋅Rotate⋅ ​xyz1​ ​= ​xyz1​ ​=Rotate−1⋅ ​etg1​ ​

我们可以轻松得到

R o t a t e − 1 = [ x g × t x t x − g 0 y g × t y t y − g 0 z g × t z t z − g 0 0 0 0 1 ] Rotate^{-1} =\begin{bmatrix} x_{g\times t} &x_t &x_{-g} &0 \\ y_{g\times t}&y_t &y_{-g} &0 \\ z_{g\times t}&z_t &z_{-g} &0 \\ 0& 0& 0&1\end{bmatrix} Rotate−1= ​xg×t​yg×t​zg×t​0​xt​yt​zt​0​x−g​y−g​z−g​0​0001​ ​

由于正交矩阵的性质，我们可以得到

R o t a t e = [ x g × t y g × t z g × t 0 x t y t z t 0 x − g y − g z − g 0 0 0 0 1 ] Rotate =\begin{bmatrix} x_{g\times t} &y_{g\times t} &z_{g\times t} &0 \\ x_{t}&y_t &z_{t} &0 \\ x_{-g}&y_{-g} &z_{-g} &0 \\ 0& 0& 0&1\end{bmatrix} Rotate= ​xg×t​xt​x−g​0​yg×t​yt​y−g​0​zg×t​zt​z−g​0​0001​ ​

接下来我们来将物体从世界空间转换到摄像机空间的Rotate矩阵

在这里插入图片描述

  1. 我们假设Dir为摄像机视角下的Z轴，也就是摄像机的朝向
  2. 假设一个Up向量(0,1,0)
  3. 用Up向量和Dir向量叉乘算出X轴 R = c r o s s ( U p , D i r ) R=cross(Up,Dir) R=cross(Up,Dir)
  4. 用算出的R向量和Dir向量叉乘算出Y轴 U = c r o s s ( R , D i r ) U=cross(R,Dir) U=cross(R,Dir)

即

R o t a t e = [ R x R y R z 0 U x U y U z 0 D i r x D i r y D i r z 0 0 0 0 1 ] Rotate =\begin{bmatrix} R_{x} &R_{y} &R_{z} &0 \\ U_{x}&U_{y} &U_{z} &0 \\ Dir_{x}&Dir_{y} &Dir_{z} &0 \\ 0& 0& 0&1\end{bmatrix} Rotate= ​Rx​Ux​Dirx​0​Ry​Uy​Diry​0​Rz​Uz​Dirz​0​0001​ ​

得到最终结果

V i e w = R o t a t e ⋅ T r a n s l a t e = [ R x R y R z 0 U x U y U z 0 D i r x D i r y D i r z 0 0 0 0 1 ] ⋅ [ 1 0 0 − P x 0 1 0 − P y 0 0 1 − P z 0 0 0 1 ] = [ R x R y R z − R ⋅ P U x U y U z − U ⋅ P D i r x D i r y D i r z − D ⋅ P 0 0 0 1 ] View=Rotate \cdot Translate=\begin{bmatrix} R_{x} &R_{y} &R_{z} &0 \\ U_{x}&U_{y} &U_{z} &0 \\ Dir_{x}&Dir_{y} &Dir_{z} &0 \\ 0& 0& 0&1\end{bmatrix}\cdot\begin{bmatrix} 1& 0& 0&-Px \\ 0& 1& 0&-Py \\ 0& 0& 1&-Pz \\ 0& 0& 0&1\end{bmatrix}=\begin{bmatrix} R_{x} &R_{y} &R_{z} &-R \cdot P \\ U_{x}&U_{y} &U_{z} &-U \cdot P \\ Dir_{x}&Dir_{y} &Dir_{z} &-D \cdot P \\ 0& 0& 0&1\end{bmatrix} View=Rotate⋅Translate= ​Rx​Ux​Dirx​0​Ry​Uy​Diry​0​Rz​Uz​Dirz​0​0001​ ​⋅ ​1000​0100​0010​−Px−Py−Pz1​ ​= ​Rx​Ux​Dirx​0​Ry​Uy​Diry​0​Rz​Uz​Dirz​0​−R⋅P−U⋅P−D⋅P1​ ​

投影变换（Projection Transformation）

经过视图变换以后，物体成功转换到了摄像机视角下了，我们需要一个投影矩阵把摄像机看到的画面投影到我们指定大小的屏幕空间里。

而投影分为两种，正交投影和透视投影，而投影变换和正交变换关系密不可分。
正交投影是直接把物体坐标从视图空间转换到标准化设备空间（NDC），透视投影则需要先进行一轮变换，把透视投影压缩成正交投影，再通过正交投影把坐标变换到NDC空间。

正交投影

在正交投影里面，我们无法通过视觉来判断远近关系，因为其视锥体是长方体，不管远近物体的成像只基于本身的大小。
在这里插入图片描述

正交投影可以分为两步

  1. 选定一个范围的视锥体空间，该视锥体决定了可以看到视野的范围。
  2. 把该视锥体空间平移到取值范围为 [ − 1 , 1 ] 3 [-1,1]^{3} [−1,1]3的2*2*2的立方体内

在这里插入图片描述

上图中的t、b、l、r、n、f分别是该视锥体对应方向的最大值和最小值，我们通过这些值来计算位移矩阵。
经过位移计算后我们对每条边分别除以他们的长度再乘2便可以得到范围是 [ − 1 , 1 ] 3 [-1,1]^{3} [−1,1]3的2*2*2的立方体了。

M o r t h o = [ 2 r − l 0 0 0 0 2 t − b 0 0 0 0 2 n − f 0 0 0 0 1 ] [ 1 0 0 − r + l 2 0 1 0 − t + b 2 0 0 1 − n + f 2 0 0 0 1 ] = [ 2 r − l 0 0 l + r l − r 0 2 t − b 0 b + t b − t 0 0 2 n − f f + n f − n 0 0 0 1 ] M_{ortho}=\begin{bmatrix} \frac{2}{r-l} &0 &0 &0 \\ 0& \frac{2}{t-b}&0 &0 \\ 0& 0& \frac{2}{n-f}&0 \\ 0& 0& 0&1\end{bmatrix} \begin{bmatrix} 1 & 0& 0&-\frac{r+l}{2} \\ 0& 1& 0&-\frac{t+b}{2} \\ 0& 0& 1& -\frac{n+f}{2}\\ 0& 0& 0&1\end{bmatrix}=\begin{bmatrix} \frac{2}{r-l} & 0& 0&\frac{l+r}{l-r} \\ 0& \frac{2}{t-b}& 0&\frac{b+t}{b-t} \\ 0& 0& \frac{2}{n-f}& \frac{f+n}{f-n}\\ 0& 0& 0&1\end{bmatrix} Mortho​= ​r−l2​000​0t−b2​00​00n−f2​0​0001​ ​ ​1000​0100​0010​−2r+l​−2t+b​−2n+f​1​ ​= ​r−l2​000​0t−b2​00​00n−f2​0​l−rl+r​b−tb+t​f−nf+n​1​ ​

透视投影

透视投影符合我们实际的观察情况，满足“近大远小”的规则。
在这里插入图片描述

透视投影分为两步

  1. 把视锥体的远裁剪平面缩小到和近裁剪平面一样，相当于把锥形视锥体的尾部压扁，变成长方形视锥体
  2. 通过正交投影把该视锥体投影到NDC空间

在这里插入图片描述
那么我们要如何把锥体内所有顶点压缩到长方体内呢？
我们先来看椎体的横截面
在这里插入图片描述
利用三角形的相似关系不难看出

y ′ = n z y {y}' =\frac{n}{z}y y′=zn​y

x ′ = n z x {x}' =\frac{n}{z}x x′=zn​x

我们可以通过透视空间的z来计算出变换后的 x ′ {x}' x′和 y ′ {y}' y′，但是在透视空间变换到正交空间的过程中 z ′ {z}' z′的变换是非线性的，这样就导致了我们很难通过想象去理解 z ′ {z}' z′和 z z z的关系。

( x ′ , y ′ , z ′ ) = ( n z x , n z y , ? ) ({x}',{y}',{z}') =(\frac{n}{z}x ,\frac{n}{z}y,?) (x′,y′,z′)=(zn​x,zn​y,?)

为了计算 z ′ {z}' z′和 z z z的关系，我们把上述在笛卡尔坐标系上的值转化到齐次坐标系上
也就是加上一个维度的 w w w来进行透视除法把点转换到正交空间上。
这里需要注意在正交投影里不存在近大远小所以齐次坐标的 w w w分量都为1
这里的n= z n e a r z_{near} znear​

( n z x , n z y , ? ) → ( n z x , n z y , ? , 1 ) = ( n x , n y , ? , z ) (\frac{n}{z}x ,\frac{n}{z}y,?) \to (\frac{n}{z}x ,\frac{n}{z}y,?,1)=(nx ,ny,?,z) (zn​x,zn​y,?)→(zn​x,zn​y,?,1)=(nx,ny,?,z)

我们根据已知的数据可以推断出一个不完全的 M p e r s p → o r t h o M_{persp\to ortho} Mpersp→ortho​矩阵

M p e r s p → o r t h o ⋅ [ x y z 1 ] = [ n x n y ? z ] M_{persp\to ortho}\cdot \begin{bmatrix} x\\ y\\ z\\1\end{bmatrix}=\begin{bmatrix} nx\\ ny\\ ?\\z\end{bmatrix} Mpersp→ortho​⋅ ​xyz1​ ​= ​nxny?z​ ​

M p e r s p → o r t h o = [ n 0 0 0 0 n 0 0 ? ? ? ? 0 0 1 0 ] M_{persp\to ortho}=\begin{bmatrix} n& 0&0 &0 \\ 0& n&0 &0 \\ ?& ? &? &? \\ 0&0 & 1&0\end{bmatrix} Mpersp→ortho​= ​n0?0​0n?0​00?1​00?0​ ​

我们最终的目的就是求解这个矩阵
我们梳理一下已知信息：

  1. 在近平面和远平面这两个特殊的面上， z ′ {z}' z′分别等与 z n e a r z_{near} znear​和 z f a r z_{far} zfar​，也就是在这两个平面上 z ′ {z}' z′= z z z
  2. 变换后的远裁剪平面的中心点坐标保持不变
  3. 近裁剪平面上的点坐标不发生变化

我们结合远近平面的信息，可以采用特殊值法来解上面的矩阵

  • 根据近平面数据求方程1

已知 n = z n e a r n=z_{near} n=znear​且 z = n z=n z=n

M p e r s p → o r t h o [ x y z 1 ] = [ x y n 1 ] = [ n x n y n 2 n ] M_{persp\to ortho}\begin{bmatrix} x\\ y\\ z\\1\end{bmatrix}=\begin{bmatrix} x\\ y\\ n\\1\end{bmatrix}=\begin{bmatrix} nx\\ ny\\ n^{2}\\n\end{bmatrix} Mpersp→ortho​ ​xyz1​ ​= ​xyn1​ ​= ​nxnyn2n​ ​

n 2 n^2 n2只与 n n n有关，所以我们可以补全一些 M p e r s p → o r t h o M_{persp\to ortho} Mpersp→ortho​的信息

我们把?用A、B代替

[ 0 0 A B ] [ x y n 1 ] = n 2 \begin{bmatrix} 0 & 0 & A&B\end{bmatrix}\begin{bmatrix} x\\ y\\ n\\1\end{bmatrix}=n^2 [0​0​A​B​] ​xyn1​ ​=n2

得出方程1

A n + B = n 2 An+B=n^2 An+B=n2

  • 根据远平面数据求方程2

已知 f = z f a r f=z_{far} f=zfar​且 z = f z=f z=f,且变换后的远裁剪平面的中心点坐标保持不变
我们以远平面中心点作为特殊值

M p e r s p → o r t h o [ 0 0 z 1 ] = [ 0 0 f 1 ] = [ 0 0 f 2 f ] M_{persp\to ortho}\begin{bmatrix} 0\\ 0\\ z\\1\end{bmatrix}=\begin{bmatrix} 0\\ 0\\ f\\1\end{bmatrix}=\begin{bmatrix} 0\\ 0\\ f^{2}\\f\end{bmatrix} Mpersp→ortho​ ​00z1​ ​= ​00f1​ ​= ​00f2f​ ​

f 2 f^2 f2只与 f f f有关，所以我们可以补全一些 M p e r s p → o r t h o M_{persp\to ortho} Mpersp→ortho​的信息

[ 0 0 A B ] [ x y f 1 ] = f 2 \begin{bmatrix} 0 & 0 & A&B\end{bmatrix}\begin{bmatrix} x\\ y\\ f\\1\end{bmatrix}=f^2 [0​0​A​B​] ​xyf1​ ​=f2

得出方程2

A f + B = f 2 Af+B=f^2 Af+B=f2

  • 求解 M p e r s p → o r t h o M_{persp\to ortho} Mpersp→ortho​矩阵

结合方程1和方程2

A n + B = n 2 An+B=n^2 An+B=n2
A f + B = f 2 Af+B=f^2 Af+B=f2

我们得出A、B的值

A = n + f A=n+f A=n+f
B = − n f B=-nf B=−nf

补全 M p e r s p → o r t h o M_{persp\to ortho} Mpersp→ortho​

M p e r s p → o r t h o = [ n 0 0 0 0 n 0 0 0 0 n + f − n f 0 0 1 0 ] M_{persp\to ortho}=\begin{bmatrix} n& 0&0 &0 \\ 0& n&0 &0 \\ 0& 0 &n+f &-nf \\ 0&0 & 1&0\end{bmatrix} Mpersp→ortho​= ​n000​0n00​00n+f1​00−nf0​ ​

在完成了透视投影到正交投影的变换后我们还需要把投影转换到NDC空间里面

M p e r s p = M o r t h o ⋅ M p e r s p → o r t h o M_{persp}=M_{ortho}\cdot M_{persp\to ortho} Mpersp​=Mortho​⋅Mpersp→ortho​

M p e r s p = [ 2 r − l 0 0 l + r l − r 0 2 t − b 0 b + t b − t 0 0 2 n − f f + n f − n 0 0 0 1 ] [ n 0 0 0 0 n 0 0 0 0 n + f − n f 0 0 1 0 ] = [ 2 n r − l 0 l + r l − r 0 0 2 n t − b b + t b − t 0 0 0 n + f n − f 2 n f f − n 0 0 1 0 ] M_{persp}=\begin{bmatrix} \frac{2}{r-l} & 0& 0&\frac{l+r}{l-r} \\ 0& \frac{2}{t-b}& 0&\frac{b+t}{b-t} \\ 0& 0& \frac{2}{n-f}& \frac{f+n}{f-n}\\ 0& 0& 0&1\end{bmatrix}\begin{bmatrix} n& 0&0 &0 \\ 0& n&0 &0 \\ 0& 0 &n+f &-nf \\ 0&0 & 1&0\end{bmatrix}=\begin{bmatrix} \frac{2n}{r-l} & 0& \frac{l+r}{l-r}&0 \\ 0& \frac{2n}{t-b}& \frac{b+t}{b-t}&0 \\ 0& 0& \frac{n+f}{n-f}& \frac{2nf}{f-n}\\ 0& 0& 1&0\end{bmatrix} Mpersp​= ​r−l2​000​0t−b2​00​00n−f2​0​l−rl+r​b−tb+t​f−nf+n​1​ ​ ​n000​0n00​00n+f1​00−nf0​ ​= ​r−l2n​000​0t−b2n​00​l−rl+r​b−tb+t​n−fn+f​1​00f−n2nf​0​ ​

视口变换

在MVP变换之后需要视口变换从NDC空间变换到屏幕空间上，这里的屏幕空间并不是UV空间，而是范围是[0,width]×[0,width]的空间

视口变换为 M v i e w p o r t M_{viewport} Mviewport​
M v i e w p o r t = [ w i d t h 2 0 0 w i d t h 2 0 h e i g h t 2 0 h e i g h t 2 0 0 1 0 0 0 0 1 ] M_{viewport}=\begin{bmatrix} \frac{width}{2} & 0& 0 & \frac{width}{2}\\ 0& \frac{height}{2}& 0&\frac{height}{2} \\ 0& 0& 1& 0\\ 0& 0& 0&1\end{bmatrix} Mviewport​= ​2width​000​02height​00​0010​2width​2height​01​ ​

最终公式

[ x n e w y n e w z n e w 1 ] = M v i e w ⋅ P p e r s p ⋅ V i e w ⋅ M o d e l = M v i e w ⋅ P p e r s p ⋅ ( R o t a t e ⋅ T r a n s l a t e ) ⋅ ( T r a n s l a t e ⋅ R o t a t e ⋅ S c a l e ) ⋅ [ x y z 1 ] \begin{bmatrix}x_{new}\\ y_{new}\\ z_{new}\\1\end{bmatrix}=M_{view}\cdot P_{persp} \cdot View \cdot Model=M_{view} \cdot P_{persp} \cdot (Rotate \cdot Translate) \cdot (Translate \cdot Rotate \cdot Scale)\cdot\begin{bmatrix}x\\ y\\ z\\1\end{bmatrix} ​xnew​ynew​znew​1​ ​=Mview​⋅Ppersp​⋅View⋅Model=Mview​⋅Ppersp​⋅(Rotate⋅Translate)⋅(Translate⋅Rotate⋅Scale)⋅ ​xyz1​ ​
上面只是MVP的结果，但需要注意的是MVP变化后Vertex Shader的输出是在Clip Space[w,-w]上，需要由GPU自己做透视除法到NDC[-1,1]空间，最后屏幕里的坐标需要通过视口变换变到屏幕空间[0,w][0.h]
参考文章
GAMES101计算机图形学学习笔记
图形学论文解析与复现
从左手坐标系到右手坐标系的变换

_GR
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MVP变换详解
qq_31910239的博客
07-08 2875
之前学习中对这部分的理解不深，简单补了一遍线代，就又温习了一遍 MVP 变换 概述 MVP 变换简单来说就是将我们已经构建好的各种3维模型映射到屏幕这个2维坐标中， 参与 MVP 变换的信息包括点、矢量、法线、切线等 模型变换（Model）：将模型空间转换到世界空间 观察变换（View）：将世界空间转换到观察空间 投影变换（Projection）：将观察空间转换到裁剪空间 最后要获取屏幕坐标还需要一步：屏幕映射，又叫视口变换 屏幕映射：获取对应屏幕的 2D 坐标 《Shader 入门精要》的配图： 模型变换
详解Android MVP开发模式
09-02
主要为大家介绍了Android MVP开发模式的相关资料,需要的朋友可以参考下
Android登录代码MVP架构详解
08-26
主要为大家详细介绍了Android登录代码MVP架构的相关资料，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
Android mvp框架详解
10-16
简单明了让你明白mvp架构，简单明了让你明白mvp架构简单明了让你明白mvp架构简单明了让你明白mvp架构简单明了让你明白mvp架构简单明了让你明白mvp架构简单明了让你明白mvp架构简单明了让你明白mvp架构
GAMES101笔记 MVP变换及作业一
最新发布
qq_52133989的博客
11-01 80
GAMES101学习总结
[计算机图形学]MVP变换(前瞻预习/复习回顾)
Yhisken的博客
03-13 2016
计算机图形学：MVP矩阵变换
计算机图形学基础1——MVP变换
weixin_42756682的博客
07-06 2171
MVP变换详细介绍，包括模型变换、观察变换、投影变换
mvp变换矩阵
co13420_shaw的博客
09-26 1393
mvp矩阵变换
计算机图形学笔记二：MVP变换
qq_51776686的博客
01-10 2834
计算机图形学自学笔记之MVP变换
[openGL]正交投影，透视投影，MVP变换
qq_43331089的博客
06-11 2093
视图变换顾名思义就是把你所看到的图变换，举个简单的例子，打比方在日常生活中你去拍照，你首先会取景，然后把你想拍的东西都摆放好，这一步叫做model transformation（模型变换）。接下来你肯定会挑选一个特定的角度摆放你的摄像机，这一步就叫做view transformation（视图变换）。然后按下快门后把图片拍下来，这一步就叫做projection transformation（投影变换）。
Android中mvp模式使用实例详解
08-30
MVP 是从经典的模式MVC演变而来，它们的基本思想有相通的地方：Controller/Presenter负责逻辑的处理，Model提供数据，View负 责显示。接下来通过本文给大家分享Android中mvp模式使用实例详解，一起看看吧
【OpenGL ES】MVP矩阵变换
little_fat_sheep
10-21 4686
空间坐标系建立后，空间中任何一个点都对应一个向量，设空间中一向量为 [a, b, c]'，为方便采用统一的格式描述线性变换，将三维空间中的向量 [a, b, c]' 映射到四维空间中的向量 [a, b, c, 1]'，同时，线性变换采用 4x4 的矩阵描述。所有向量 [a, b, c, 1]' 生成的空间仍然是一个三维空间，它是四维空间中的一个三维子空间。 对与某些线性变换（如平移变换），若使用 4x4 矩阵描述，此矩阵可以固定，不必依赖待变换的向量；若使用 3x3 矩阵描述，此矩阵不能固
Unity Shader入门精要笔记（五）：其他数学相关介绍
lzhq1982的专栏
06-29 6749
本系列文章由Aimar_Johnny编写，欢迎转载，转载请标明出处，谢谢。 http://blog.csdn.net/lzhq1982/article/details/73612170 前两篇介绍了Unity Shader的主要数学部分，书上还有些相关的数学介绍，将在这篇做最后的总结。 1、法线变换 法线（normal），也被称为法矢量。游戏中，模型的顶点携带的信息中，法线就是其中
关于Opengl各种矩阵变换(MVPW)的自我理解
maskerman的专栏
07-04 1977
关于Opengl各种矩阵变换的理解 OpenGL的矩阵变换一直比较迷糊，貌似懂了又貌似不懂，今天貌似懂了过几天又貌似忘记怎么回事了，还是没有理解透彻，因此痛下决心，一定要把这个事情弄懂。经过几天的反复思考查看资料，我自己理解的结果就是：mv用来调整相机位置组成一个新坐标系，p用来在这个坐标系里面切出一块来变成-1，1之间的立方体显示，w用来把这个-1，1的立方体转到指定的视口上。如果这个不够
MVP矩阵理解
m0_48432283的博客
12-11 472
M: model矩阵：代表从模型的局部坐标变换到世界坐标中；V:view矩阵：代表从世界坐标到view（观察）坐标的转换；矩阵：代表投影变换，包含正则化，即将坐标变换到[-1,1][-1,1][-1,1]立方体空间；
【技术美术图形部分】坐标空间和MVP变换
qq_41835314的博客
09-14 746
总结了渲染流水线中顶点的空间变换过程以及各个坐标空间的概念。
MVP矩阵
weixin_51327051的博客
08-31 6415
MVP矩阵： MVP矩阵分别是模型(Model)、观察(View)、投影(Projection) 三个矩阵。我们的顶点坐标起始于局部空间(Local Space),在这里它称为局部坐标(Local Coordinate),它在之后会变为世界坐标(World Coordinate)，观察坐标(View Coordinate)，裁剪坐标(Clip Coordinate),并最后以屏幕坐标(Screen Coordinate)的形式结束。 M：模型空间（以自身为中心）—>世界空间（以世界为中心）
MVP变换
Mhypnos的博客
03-13 4796
模型空间/对象空间 ——>Model-To-World变换/模型变换（Model） 世界空间 ——>World-To-View变换/观察变换（View） 观察空间/照相机空间（以摄像机为原点） ——>View-To-Projection变换/投影变换（Projection） 裁剪空间(裁剪图元，为投影做准备) ——>屏幕映射/视口变换 屏幕空间（x,y为对应屏幕上的2d像素坐标） 变换即乘一个矩阵，前三个变换在顶点着色器中相乘最后为一个矩阵，即MVP矩阵。用于将顶点从模型空间转换到裁
详解MVP矩阵之ViewMatrix
热门推荐
爱冒险的技术宅
03-28 3万+
ViewMatrix用于直接将World坐标系下的坐标转换到Camera坐标系下。已知相机的坐标系，还有相机在世界空间下的坐标.就可以求出ViewMatrix，下面进行具体推导。令UVN为相机坐标系下的三个基，，对于一个相机来说，它在开始的时候和世界坐标系是重合的，用户控制相机在世界空间中移动之后，相机的状态可以用两个属性来描述——朝向和位置。也就是说，有了这两个属性，一个相机模型在世界中的状态就
Android mvp
08-08
Android MVP（Model-View-Presenter）是一种设计模式，用于将代码逻辑和界面展示分离，提高代码的可测试性和可维护性。VP模式中，View负责展示界面，Presenter负责处理业务逻辑和与View的交互，Model则负责数据的处理和管理。 引用中提到了一个Google官方的MVP示例代码，通过这个示例可以更好地理解MVP的概念，并帮助开发者编写符合MVP风格的代码。 引用中提到了MVP模式中的Presenter通过interface与View(Activity)进行交互，这意味着我们可以通过自定义类来实现这个interface来模拟Activity的行为对Presenter进行单元测试，从而省去了部署和测试的时间。 引用中提到了Google提供的示例代码TO-MVP，该示例中展示了在Activity的onCreate方法中，创建了Presenter并将Fragment传入到Presenter的构造函数中。这样做相当于在Presenter和Fragment之间建立了绑定关系。 总结来说，Android MVP是一种设计模式，通过将代码逻辑和界面展示分离，提高代码的可测试性和可维护性。在MVP模式中，Presenter负责处理业务逻辑和与View的交互，View负责展示界面，Model负责数据的处理和管理。通过引用和中的示例代码和解释，可以更好地理解和应用Android MVP模式。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值