图形学知识基础：变换与矩阵的关系，齐次坐标

最新推荐文章于 2022-10-29 20:40:29 发布

王王王渣渣

最新推荐文章于 2022-10-29 20:40:29 发布

阅读量3.3k

点赞数 8

分类专栏：图形学文章标签：齐次坐标矩阵变换

本文链接：https://blog.csdn.net/wangjiangrong/article/details/112675290

版权

本文探讨了图形学中的变换，如模型变换、视图变换，以及它们如何通过线性代数中的矩阵表示。涉及缩放、旋转、投影等变换原理，同时剖析了复平面在变换中的应用，线性变换的定义，以及二维空间中的各种变换矩阵，如缩放、对称、切变、旋转和平移。并介绍了齐次坐标和仿射变换在表达复杂变换中的作用。

摘要由CSDN通过智能技术生成

何为变换

首先是两个参考视频：

视频1：现代计算机图形学入门-闫令琪（第三章：变换的介绍）

视频2：线性代数的本质 - 03 - 矩阵与线性变换

在生活中，或者说在我们开发游戏的时候，会碰见很多很多的变换。在图形学中，主要有如下两种变换，模型变换（例如模型的缩放，IK）和视图变换（例如相机的移动旋转）。还有例如三维空间到二维空间（投影）也是非常重要的变换。

上面提到的移动，缩放，旋转这些变换，其实都是将一个输入的值，进过一些操作，变成一个新的输出值。例如输入一个点的位置0，最后输出其位置10，即发生了移动变换。由这一个特性也可得出，所谓的变换其实就是函数。

输入值x -> 变换（函数f(x) ） -> 输出值x

而使用变换是为了让我们以运动的方式去思考，例如前面提到位置0变为10，我们要想成是从0慢慢移动到10，并不是一下子变为10。

在线性代数中，变换考虑的是一个向量的输入以及输出，向量的起点都为原点，例如将向量(2,4)缩放0.5倍，即得到向量(1,2)。对于一个整个空间（称之为线性空间或向量空间），我们可以看作空间内有无数个点，而原点到每一个点的连线即为一个向量。空间的变换即空间中每一个向量都移动到对应输出向量的位置，也可以看作是空间中的每个点移动到变换后的目标位置。

例如下图，便是一个简单的空间旋转变换，向量(0,1)旋转后变为(1,0)。

接下来我们来看一个比较复杂的变换，如下图，为复平面上 $f(v)=v^{2} / 2$ 的变换：

看着很高级，那么它是怎么变换成这样的呢？首先我们要了解何为复平面，简单来说复平面是用来表示复数的，即a+bi，其中a和b为实数，i为虚数（ $i^{2}=-1$ ）。复平面中x轴的值代表着复数中实部a的值，y轴的值代表着虚部b的值，因此点(1,1)代表着1+i，点(7,-8)代表着7-8i。清楚这一点后，我们就可以通过一些特殊的点，来计算出其变化后的值了，例如：

变化前的点	对应的复数	进行 $f(v)=v^{2} / 2$ 变化	变化后的点
(1,0)	1	$1^{2}/2=0.5$	(0.5,0)
(1,1)	1+i		(0,1)
(1,2)	1+2i		(-1.5,2)

上面其实也就解释了下图中两根黄线的变化前后的缘由。至于为什么要在复平面上，应该是因为如果单纯的只是向量的平方那是没有意义的，因为向量是一个2*1的矩阵，向量的平方即为2*1的矩阵乘以2*1的矩阵，根据矩阵的乘法定义，我们知道它们无法相乘。

线性变换

线性代数限制在一种特殊类型的变换上，即线性变换。如果一个变换拥有以下两个性质，我们就称它为线性的变化：

直线在变换后仍保持直线，不能有所弯曲。
原点保持固定

我们知道变换即为一个函数，我们假设这个函数为 f(x) ，那么站在数学的角度上，如果同一个空间中的任意两个向量 $\vec{a}$ 和 $\vec{b}$ ，以及数域中的一个数k（可以简单的理解为k为一个实数），满足以下条件的话，函数 f(x) 即为线性变换：

$f(\vec{a} + \vec{b}) = f(\vec{a}) + f(\vec{b})$
$kf(\vec{a}) = f(k\vec{a})$

例如 f(x) = 2x ，代表着一个放大两倍的变换，设 $\vec{a} = (2, 0)$ ， $\vec{b} = (0, 3)$ ，那么 $\vec{a} + \vec{b} = (2, 3)$ 。可得到 $f(\vec{a}) = (4, 0)$ ， $f(\vec{b}) = (0, 6)$ ， $f(\vec{a}) + f(\vec{b}) = f(\vec{a} + \vec{b}) = (4, 6)$ ，满足第一条定则。设k=3，那么 $k\vec{a} = (6, 0)$ ， $kf(\vec{a}) = f(k\vec{a}) = (12, 0)$ ，满足第二条定则。因此该变换为线性变换。

推导

设两个基向量 $\vec{x}=(1,0)$ ， $\vec{y}=(0,1)$ 那么任意一个向量 $\vec{a}$ 都有 $\vec{a} = (i,j) = i\vec{x}+j\vec{y}$ ，当空间发生线性变换后，所有向量都会发生变换，包括我们的基向量。假设变换后 $\vec{x}=(x_{a},y_{a})$ ， $\vec{y}=(x_{b},y_{b})$ ，那么变换后的 $\vec{a}$ 即等于 $\vec{a} = i(x_{a},y_{a})+j(x_{b},y_{b})$ ，能推导出这步也是因为线性变换的那两个性质。