图形学笔记（一）：基础知识

从这便文章开始整理学习到的计算机图像学相关知识，原则是只写我没在网上找到清楚解释的内容，如果有很好的文章介绍相关内容，我会直接把链接贴上。

首先弄清 Computer Graphics和 Computer Vision的关系和区别

大致上讲，CG是图像和视频合成的工具和机制，而CV通常用于分析和提取视频和图像的语义内容，这两个领域的技术没有明显的界限，但是目的稍有不同。

线性代数基础

• 向量积 Vector Cross product

  关于Cross product维基百科解释的非常详细。
  $$\vec{u}\times \vec{v}=|\vec{u}||\vec{v}|sin\theta \vec{c}$$
  需要特别注意的是两个向量u和v在三维空间的叉乘的几何意义

• 数量积 Vector Dot Product

  关于Dot Product 的相关知识。
  $$\vec{u}\cdot \vec{v}=|\vec{u}||\vec{v}|cos\theta$$

线性代数变换

• 仿射组合 The affine combination

  首先先了解一下什么是仿射变换.

  如何通俗地讲解「仿射变换」这个概念？ - 马同学的回答 - 知乎

  而仿射函数实际上就是表示这一变换过程的函数，一般形式是$f(\vec{x})=A\vec{x}+\vec{b}$,$A$是一个$m\times k$矩阵，$\vec{x}$是一个$k$向量, $\vec{b}$是一个$m$向量。

  仿射组合的概念更加抽象，可以通过下面这个例子了解一下两个二维向量的仿射组合：

  仿射组合为什么代表一条线？ - 电猫哥electricat的回答 - 知乎

  这个例子证明了两个二维向量的仿射组合可以代表一条直线，可以发现仿射组合其实是对于给定向量${\vec{v}}_1,{\vec{v}}_2$（者点$p_1，p_2$）与一组权重$[{\lambda }_0,{\lambda }_1]$的线性变换，而且必须满足${\lambda }_1+{\lambda }_2=1$，即$\vec{y}={\lambda }_1{\vec{v}}_1+{\lambda }_2{\vec{v}}_2$。推广到$n$个向量定义如下：
  组 合 { v ∈ V ∣ v = ∑ i = 0 n λ i v i , w i t h ∑ i = 0 n λ i = 1 } 被 称 为 向 量 v i 的 仿 射 组 合 组合 \{v\in V|v=\sum_{i=0}^{n}\lambda_iv_i,with\sum_{i=0}^{n}\lambda_i=1\} 被称为向量v_i的仿射组合 组合{v∈V∣v=i=0∑n​λi​vi​,withi=0∑n​λi​=1}被称为向量vi​的仿射组合

  （未完，这部分以后会补张图…）

• 重心坐标 Barycentric Coordinates

  上面介绍的内容其实隐含了一个前提：坐标系类型已确定。在数学中，坐标系的类型很多，例如齐次坐标系（homogeneous coordinates or projective coordinates），和笛卡尔坐标系（Cartesian coordinate system）,在不同的坐标系下，对事物的描述方法和变换自然是不同的。各个坐标的关系可以参考下面的文章：

  从带号面积到坐标系的建立 - PeaucellieRay的文章 - 知乎

  这里主要介绍一下重心坐标系，找到一片讲的比较清楚的文章。

  重心坐标（Barycentric coordinates） - 杨超的文章 - 知乎

  通过上文其实我们可以发觉重心坐标的表示方法就是点$P_i$的仿射组合，而$w_i$就是组合权重。
  值得注意的是，上文的三角形其实是放在一个仿射空间（affine space）里的。维基百科这样描述仿射空间：

  仿射空间是没有起点只有方向大小的向量所构成的向量空间。

  我的理解是仿射空间就是没有原点的线性空间，这里就不展开讨论了。

  回到重心坐标的话题上来，通过结合仿射组合，有下面的定义:

  在 一 个 仿 射 空 间 的 坐 标 系 内 ， 给 出 点 集 B = { p 0 , . . . p n } 和 点 p 的 仿 射 组 合 : 在一个仿射空间的坐标系内，给出点集B=\{p_0,...p_n\}和点p的仿射组合: 在一个仿射空间的坐标系内，给出点集B={p0​,...pn​}和点p的仿射组合:
  $$p=\sum _{i=0}^n{\lambda }_i{p}_{i}with{\lambda }_i\ge 0;\sum _{i=0}^n{\lambda }_i=1$$

  ${\lambda }_i就是点p的重心坐标（barycentriccoordinates).$

  
  通过多个点确定一个坐标确实感觉很费劲，但是如上个链接里的文章所说，这个坐标系大有可为，在计算机图形学中需要使用一个非常重要的技术——线性插值，就用到重心坐标，这个以后的文章一改也会提到。

• 凸包 Convex Hulls

  凸包的几何意义是给定空间一堆离散的点，计算能够包含这些点的一个凸多边形,如下图可以用凸包讲general mesh的点精简成convex mesh，在碰撞检测中省去了大量内存。

凸包的表示方法如下，可以发现可以利用仿射组合保证凸性（Convexity），原因暂不讨论。

点 集 c o { p 0 , . . . , p n } = { p ∣ p = ∑ i = 0 n λ i p i , ∑ i = 0 n λ i , a n d   λ i ≥ 0 , i = 0 , . . . , n } 点集 co\{p_0,...,p_n\}=\{p|p=\sum_{i=0}^{n}\lambda_ip_i,\sum_{i=0}^{n}\lambda_i,and\ \lambda_i\ge0,i=0,...,n\} 点集co{p0​,...,pn​}={p∣p=i=0∑n​λi​pi​,i=0∑n​λi​,and λi​≥0,i=0,...,n}
c o { p 0 , . . . , p n } 就 是 点 集 p 1 ， . . . , p n 的 凸 包 co\{p_0,...,p_n\}就是点集p_1，...,p_n的凸包 co{p0​,...,pn​}就是点集p1​，...,pn​的凸包

• 仿射映射 Affine mappings