GAMES101(1~4节，线性代数，SRT，MVP)

computer Graphics 课程大纲：

线性代数：

光栅化Rasterization:栅格化，深度缓冲，插值，光照模型，着色

几何：曲线，曲面

Ray Tracing:光线追踪：求交，物理光照模型——路径追踪，着色

动画animation/物理simulation/仿真：

线性代数

Vector

投影：一个向量不仅可以投影到2维坐标系，也可以3维坐标系，根据cos和sin计算

//

点乘（结果为浮点数）：||a||||b||costheta

矩阵表示：A^-1 * B

点乘在二维中的几何意义，反映的是两个向量之间的夹角关系， 计算两个向量的夹角，

点乘等于向量 A 在 B 方向上的投影长度乘以 B 的模长，或者反过来，向量 B 在 A 方向上的投影长度乘以 A 的模长

已知两个向量，我们可以求出点乘的结果，等于对应的分量相乘，当两个向量表示方向都是单位向量时，点乘结果等价于costheta

• a·b>0    方向基本相同，夹角在0°到90°之间
• a·b=0    正交，相互垂直  
• a·b<0    方向基本相反，夹角在90°到180°之间 

点乘类似*，满足交换结合分配率

点乘还可以判断向量的方向是否基本一致，两向量夹角，>90为负数，=90度为0，<90为正数，=0为1

//

叉乘（结果为向量）：||a||||b||sintheta

矩阵表示：A * b

二维空间几何意义：向量的叉乘结果是这两个向量构成的平行四边形的有向面积，结果是一个标量，而不是一个向量。

作用：求正交于两个向量的第3个向量

作用：判定左右，通过z分量==ax​by​−ay​bx，判断左右关系，如果结果为正，那么第二个向量在向量1的左边，否则右边

作用：判定内外，比如判断一个点是否在逆时针三角形内，只需要看，是否在ab边的左，ac边的左，bc边的左，即可，也就是点同时在3个边的左侧（方法：向量起点放在一处，看手心由第一个转到向量2大拇指方向，不用考虑角度转了多少）

对于顺时针三角形，虽然都在3条边的右侧，但也成立，只要同时在左侧或右侧就可以

如果正好叉乘结果为0，都ok

一个向量叉乘本身 = 0，因为sin0 = 0

//

右手定则：模拟opengl的笛卡尔坐标系

右手螺旋定则：模拟正交的结果，y * z = +x, z * y = -x，由掌心从y到z，从z到y旋转，大拇指方向即为x方向

matrices

矩阵：表示顶点的变换

矩阵一定要符合条件才能相乘，矩阵1的列 == 矩阵2的行 = 结果为 = 1行2列

发现规律：结果矩阵的行列的某元素，正好为AB矩阵的行列运算

矩阵没有交换率，但又结合和分配率

注意

约定俗称下，向量为列向量，矩阵在左边，矩阵的每一行影响决定对应的向量行分量

矩阵的乘法顺序是非常重要的，

SRT变换

二维变换

线性变换

等比缩放，不等比缩放，对称，切变

//

旋转默认绕原点逆时针，

那如果想要绕指定点旋转怎么做到，先平移到原点，后旋转，再移动回c，否则将直接绕原点旋转而不是绕c旋转

//

旋转如何推导旋转矩阵？

推导绕z逆时针旋转矩阵，xy坐标发生变化，通过单位边长的正方形，通过两个点旋转theta角度，可以很容易得出新的primer的坐标，根据 p1 = 旋转矩阵 * p

同样如果顺时针旋转，矩阵中的sin都变为相反数，而且矩阵为转置矩阵，和逆矩阵

二维变换

S

R：因为二维仅有绕z旋转

T

齐次坐标

齐次坐标：将所有的矩阵可以写为统一的形式，为线性变换，而不希望写为非线性变换如放射变换

//

对于点新增一个分量x,y,1，对于向量x,y,0,为什么要这样区别呢？

因为向量不受平移的影响，将最后分量写为0，不会被平移矩阵影响

//

如何判断向量与点加减结果是向量还是点？看最后是1还是0

特殊情况：点 +  点，w结果是2，在齐次坐标下，结果是两个点的中点

x,y,w（w ！=0）-> x/w,y/w,1转为点

首先两个点相加可以写为x1 + x2, y1 + y2, 1 + 1，同时除以w，为zh

性能：有性能损耗

逆变换

变换矩阵的逆矩阵

SRT，MVP

矩阵乘法正确顺序需要为SRT，但是在乘法中其实要TRSp，因为是从最右侧计算的

同样MVP矩阵也是一样PVMp

因为有结合律的存在，其实无论从右到左理解，还是从左到右理解都一样

在opengl中SRT是在局部空间进行的，在通过模型矩阵从局部到世界空间

三维变换

S

R:

对于3维的，绕哪轴哪轴不变，比如绕x，第一行不变，第一列不变，将2维的写到对应的地方，绕y2行2列不变，绕z3行3列不变，

其中对于绕y的sin可以看到取了相反值，因为z叉乘x得到y，因此z应该写为二维中的第一行，对于y叉乘z得到x，x叉乘y得到z都没有问题

如何绕任意轴旋转？

首先移到原点，旋转后，移动回原位

T

欧拉角

分解：pitch,yaw,roll

罗德里格斯公式（Rodrigues' Rotation Formula）：

正常来说，我们可以绕着3个轴分别旋转，从而旋转到任意角度，但是这个公式可以求得，绕任意过原点的轴旋转角度a后的矩阵

绕n向量旋转a角度，起点在原点，方向任意罗德里格斯公式附图推导，理解-CSDN博客

推导解释：

原向量v，旋转theta角度，后新向量v prime, n为旋转轴

首先将两向量投影，建立新向量w（黄色线） =  n 乘 v，其中

用n和v表示原向量投影的向量

在将v prime投影的用v和w（黄色线）轴表示投影分量，

得到所有式子带入v prime的两个投影分量，就可以得到罗德里格斯公式

MVP（模型，Viewing观测变换） 

模型变换（scene）

SRT……

视图变换(camera）

摆放好场景，我们需要移动摄像机，本质移动摄像机，实则移动场景

摄像机位置，看向的方向，上向量（因为相机可能旋转）

视图矩阵：平移矩阵 * 旋转矩阵 （缩放不影响相机）

旋转矩阵：可以先求逆矩阵 * 坐标向量，又因为旋转矩阵是正交矩阵，逆=转置，所以很容易得到将向量变换到坐标向量的矩阵

比如这个逆矩阵可以将1000,0100,0010三个坐标分别乘以矩阵，得到的结果分别就是变换后的向量，

投影变换（3D->2D)

正交投影

首先定义长方体，指定大小rl左右,tb顶底,nf前后，通过正交矩阵，映射为标准立方体，

正交投影矩阵 = 平移矩阵 * 缩放矩阵 

平移矩阵：首先取两边差/2，向负方向移动，这样长方形就变换到了原点上

缩放矩阵：将长方形变形到-1----1的坐标，如何做到？乘以1/两边差 的缩放因子，这样相乘就变为了-1---1，比如2 / (r-l)  * - (r+l) / 2 = -1 , 2 / (r-l)  * (r+l) / 2 = 1

透视投影

定义视锥（近平面的宽高比radio，field垂直可视角度），定义四棱锥(近平面，远平面），通过透视矩阵，映射为长方形，通过正交矩阵，映射为标准立方体

xyz * 透视矩阵 = 新的坐标

n, 0, 0, 0,
0, n, 0, 0,
0, 0, n + f, -n * f,
0, 0, 1, 0;

推导过程：

• 首先根据相似三角形原理，可以得到新的坐标：收缩的x，y坐标，新坐标 == n/z * 原坐标，其中z为原距离，n为从相机到近平面的距离，如果同时×z，依旧是一个点（和原来的点等价），且最后一项为z

对于任意一个点来说，z深度值是不确定的，而对于n是固定的，所以为了满足所有点，z是未知的

• 有了2个条件，对于透视矩阵，我们已经可以推导4*4矩阵的124行了，对于第3行，z是未知的，下面推导第3行

根据原理：近平面上坐标永远不变，远平面z值和中心点不变，只是收缩

• 当近平面时，向量的z值==n，因为坐标永远不变，可以根据矩阵第3行 * xyn1 = n^2（同时*n）

求得前两个数为0，而对于后两个数其实不确定，因为可以为n,0, 也可以为0,n^2

• 对于远平面，假设为中心点，00f1（xy都为0），因为中心点坐标不变，仍是00f1，即第3行 * 00f1 = f ^2（同时*n）
• 最后3行3列 = n = f，3行4列=-nf

Eigen 库：线性代数运算库

#include<eigen3/Eigen/Core>
#include<eigen3/Eigen/Dense>

Eigen::Vector3f v(1.0f,2.0f,3.0f);
Eigen::Matrix3f i;
i << 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0;

Eigen::Matrix4f::Identity()//单位矩阵