提炼总结之——3D数学基础：图形与游戏开发

前言

这篇文章仅为了方便于自己查找一些3d 的数学公式。
DirectX使用的是行向量 ，即矩阵的乘法是左乘
OpenGL使用的是列向量 ，即矩阵的乘法是右乘
Unity的Shader中， 使用的是列向量 ，即矩阵的乘法是右乘

请注意，下面的矩阵向量如果没有特别说明，都是使用行向量（与Unity的有所区别）

一、向量类

向量的点积

• 公式1：
  $$\vec{a}\cdot \vec{b}=|\vec{a}|\cdot |\vec{b}|cos\theta$$
• 公式2：
  $$\begin{gathered} \vec{a}\cdot \vec{b}=({\vec{a}}_x,{\vec{a}}_y,{\vec{a}}_z)\cdot ({\vec{b}}_x,{\vec{b}}_y,{\vec{b}}_z) \\ ={\vec{a}}_x{\vec{b}}_x+{\vec{a}}_y{\vec{b}}_y+{\vec{a}}_z{\vec{b}}_z \end{gathered}$$
• 几何意义：
  点积是描述两个向量的"相似程度"，点积结果越大，两向量越接近；
  结果等于0，代表两向量垂直；
  结果大于0，代表两向量的夹角大于90度；
  结果小于0，代表两向量的夹角小于90度。

向量的叉积

• 公式
  $$\vec{a}\times \vec{b}=\left[\begin{array}{c}{\vec{a}}_x\\ {\vec{a}}_y\\ {\vec{a}}_z\end{array}\right]\times \left[\begin{array}{c}{\vec{b}}_x\\ {\vec{b}}_y\\ {\vec{b}}_z\end{array}\right]=\left[\begin{array}{c}{\vec{a}}_y\times {\vec{b}}_z-{\vec{a}}_z\times {\vec{b}}_y\\ {\vec{a}}_z\times {\vec{b}}_x-{\vec{a}}_x\times {\vec{b}}_z\\ {\vec{a}}_x\times {\vec{b}}_y-{\vec{a}}_y\times {\vec{b}}_x\end{array}\right]$$
• 几何意义：
  叉积得到的向量垂直于原来的两个向量

二、矩阵

2.1 方阵

定义:行数和列数相同的矩阵称为方阵,如2×2矩阵,3×3矩阵,4×4矩阵等;

• 对角矩阵
  定义:如果所有非对角线元素都为0,则这种矩阵称为对角矩阵,如下:
  $$\left[\begin{array}{cccc}{M}_{11}& 0& 0& 0\\ 0& M_{22}& 0& 0\\ 0& 0& M_{33}& 0\\ 0& 0& 0& M_{44}\end{array}\right]$$

• 单位矩阵
  定义:对角线元素为1,其他元素为0的矩阵称为单位矩阵, 单位矩阵是一种特殊的对角矩阵,如下:
  $$\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$$

任意一个矩阵乘以单位矩阵,都将得到原来的矩阵

2.2 矩阵乘法的注意事项

• 矩阵乘法不满足交换律，即: AB≠ BA

• 矩阵乘法满足结合律，即: (AB)C= A(BC) (假设A, B, C的维数使其乘法有意义，要注意如果(AB)C有意义，那么A(BC)- -定也有意义)
  矩阵乘法结合律可以扩展到多个矩阵的情况下，如:
  ABCDEF=(((AB)C)D)E)F= (((BC)D)E)F)=(AB)(CD)(EF)

• 矩阵乘法也满足与标量或向量的结合律，即:
  (kA)B=k(AB)= A(kB)  (vA)B=v(AB)

• 矩阵积的转置相当于先转置矩阵然后以相反的顺序乘:
  $$\begin{gathered} (AB{)}^T=B^T{A}^T \\ (M_1{M}_2{M}_3...M_{n-1}{M}_n{)}^T=M_n^T{M}_{n-1}^T...M_3^T{M}_2^T{M}_1^T \end{gathered}$$

• 矩阵一向量乘法满足对向量加法的分配律。对于向量v、w和矩阵M，有:
  $$(\vec{v}+\vec{w})M=\vec{v}M+\vec{w}M$$

2.3 矩阵的转置

定义:
$$一个r\ast c的矩阵M，M的转置记作M^T,M^T是一个c\ast r的矩阵$$
$$从另一方面理解，M_i{j}^T=M_{j}i,即沿着矩阵的对角线翻折$$

如下例子：
$${\left[\begin{array}{ccc}a& b& c\\ d& e& f\\ g& h& i\end{array}\right]}^T=\left[\begin{array}{ccc}a& d& g\\ b& e& h\\ c& f& i\end{array}\right]$$

2.4 矩阵的几何解析

2.4.1 矩阵怎样变换向量的

$$以\vec{p}、\vec{q}、\vec{r}为行构建一个3\times 3矩阵M，可以得到下面的形式：$$
$$M=\left[\begin{array}{c}\vec{p}\\ \vec{q}\\ \vec{r}\end{array}\right]=\left[\begin{array}{ccc}{\vec{p}}_x& {\vec{p}}_y& {\vec{p}}_z\\ {\vec{q}}_x& {\vec{q}}_y& {\vec{q}}_z\\ {\vec{r}}_x& {\vec{r}}_y& {\vec{r}}_z\end{array}\right]$$
如果用一个向量乘以该矩阵，得到：
$$\left[\begin{array}{ccc}x& y& z\end{array}\right]\times \left[\begin{array}{ccc}{\vec{p}}_x& {\vec{p}}_y& {\vec{p}}_z\\ {\vec{q}}_x& {\vec{q}}_y& {\vec{q}}_z\\ {\vec{r}}_x& {\vec{r}}_y& {\vec{r}}_z\end{array}\right]=x\cdot \vec{p}+y\cdot \vec{q}+z\cdot \vec{r}$$

如果把矩阵的行解释为坐标系的基向量，那么乘以该矩阵就相当于执行了一次坐标转换。若有aM-如果把矩阵的行解释为坐标系的基向量，那么乘以该矩阵就相当于执行了一次坐标转换。若有aM = b，我们就可以说，M将a转换到b。

2.4.2 矩阵的形式

矩阵每一行都能解析为转换后的基向量。(大家可以用转换前的基向量乘该矩阵就可以得出结论，具体过程不再推导)

2.5 旋转矩阵

下面所说的角度都是以逆时针为正方形

2.5.1 2D的旋转矩阵

$$R(\theta )=\left[\begin{array}{c}{p}^{\prime }\\ q^{\prime }\end{array}\right]=\left[\begin{array}{cc}cos\theta & sin\theta \\ -sin\theta & cos\theta \end{array}\right]$$

2.5.2 3D中绕坐标轴旋转

绕轴旋转θ时，必须知道哪个方向为正，哪个方向为负。
-------这个后面补充-------

• 绕X轴旋转
  $$R(\theta )=\left[\begin{array}{c}{p}^{\prime }\\ q^{\prime }\\ r\prime \end{array}\right]=\left[\begin{array}{ccc}1& 0& 0\\ 0& cos\theta & sin\theta \\ 0& -sin\theta & cos\theta \end{array}\right]$$
• 绕Y轴旋转
  $$R(\theta )=\left[\begin{array}{c}{p}^{\prime }\\ q^{\prime }\\ r\prime \end{array}\right]=\left[\begin{array}{ccc}cos\theta & 0& -sin\theta \\ 0& 1& 0\\ sin\theta & 0& cos\theta \end{array}\right]$$
• 绕Z轴旋转
  $$R(\theta )=\left[\begin{array}{c}{p}^{\prime }\\ q^{\prime }\\ r\prime \end{array}\right]=\left[\begin{array}{ccc}cos\theta & sin\theta & 0\\ -sin\theta & cos\theta & 0\\ 0& 0& 1\end{array}\right]$$

2.5.3 3D中绕任意轴旋转

$$R(n,\theta )=\left[\begin{array}{c}{p}^{\prime }\\ q^{\prime }\\ r\prime \end{array}\right]=\left[\begin{array}{ccc}{n}_x^2(1-cos\theta )+cos\theta & n_x{n}_y(1-cos\theta )+n_{z}sin\theta & n_x{n}_z(1-cos\theta )-n_{y}sin\theta \\ n_x{n}_y(1-cos\theta )-n_{z}sin\theta & n_y^2(1-cos\theta )+cos\theta & n_y{n}_z(1-cos\theta )+n_{x}sin\theta \\ n_x{n}_z(1-cos\theta )+n_{y}sin\theta & n_y{n}_z(1-cos\theta )-n_{x}sin\theta & n_z^2(1-cos\theta )+cos\theta \end{array}\right]$$

2.6 缩放矩阵

2.6.1 2D的缩放矩阵

$$S(k_x,k_y)=\left[\begin{array}{cc}{k}_x& 0\\ 0& k_y\end{array}\right]$$

2.6.2 3D的缩放矩阵

$$S(k_x,k_y,,k_z)=\left[\begin{array}{ccc}{k}_x& 0& 0\\ 0& k_y& 0\\ 0& 0& k_z\end{array}\right]$$

2.6.3 2D沿任意方向的缩放矩阵

通过基向量构造矩阵，得到以单位向量n为缩放方向，k为因子的缩放矩阵，如下面公式所示
$$S(\vec{n},k)=\left[\begin{array}{cc}1+(k-1){\vec{n}}_x^2& (k-1){\vec{n}}_x{\vec{n}}_y\\ (k-1){\vec{n}}_x{\vec{n}}_y& 1+(k-1){\vec{n}}_y^2\end{array}\right]$$

2.6.4 3D沿任意方向的缩放矩阵

以单位向量n为缩放方向，k为因子的3D缩放矩阵如下面公式所示
$$S(\vec{n},k)=\left[\begin{array}{ccc}1+(k-1){\vec{n}}_x^2& (k-1){\vec{n}}_x{\vec{n}}_y& (k-1){\vec{n}}_x{\vec{n}}_z\\ (k-1){\vec{n}}_x{\vec{n}}_y& 1+(k-1){\vec{n}}_y^2& (k-1){\vec{n}}_y{\vec{n}}_z\\ (k-1){\vec{n}}_x{\vec{n}}_z& (k-1){\vec{n}}_z{\vec{n}}_y& 1+(k-1){\vec{n}}_z^2\end{array}\right]$$

-------没完待续。。。。。。后期会继续补充-------