图形学初识--空间变换

2024-05-30 14:36
文章标签 初识 空间 变换 图形学

本文主要是介绍图形学初识--空间变换,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 正文
    • 矩阵和向量相乘
    • 二维变换
      • 1、缩放
      • 2、旋转
      • 3、平移
      • 4、齐次坐标下总结
    • 三维变换
      • 1、缩放
      • 2、平移
      • 3、旋转
        • 绕X轴旋转:
        • 绕Z轴旋转:
        • 绕Y轴旋转:
  • 结尾:喜欢的小伙伴可以点点关注+赞哦

前言

前面章节补充了一下基本的线性代数中关于向量和矩阵的背景知识,这一节咱们讲解一下在二维和三维中常用的空间变换,主要包括:平移、旋转、缩放等!

正文

矩阵和向量相乘

假设有一个矩阵 M M M,有一个向量 P = ( x y ) P = \begin{pmatrix} x\\y \end{pmatrix} P=(xy),则令 P ⃗ ′ = M × P ⃗ = ( x ′ y ′ ) \vec P' = M \times \vec P = \begin{pmatrix} x'\\y' \end{pmatrix} P =M×P =(xy).

从上节,我们已经知道矩阵和向量相乘结果还是个向量,假设我们把向量 P P P 看作一个坐标,那么 P ′ P' P 的坐标就是矩阵 M M M 应用之后的结果,此时我们称对点 P P P应用矩阵 M M M的变换。

二维变换

假设在二维空间下,矩阵 M M M 是2x2的,向量 P = ( x y ) P = \begin{pmatrix} x\\y \end{pmatrix} P=(xy) 是二维向量。

矩阵乘向量在二维空间本质理解: 假设我们将 M M M 按照列方向,分解成两个列向量 ( α 1 ⃗ , α 2 ⃗ ) (\vec{\alpha_1}, \vec{\alpha_2}) (α1 ,α2 ),则 P ′ ⃗ = ( x α 1 ⃗ + y α 2 ⃗ ) \vec{P'} = (x\vec{\alpha_1} + y\vec{\alpha_2}) P =(xα1 +yα2 )

结果表明: 矩阵和向量相乘,就相当于向量的轴分量作为权重,给矩阵的列向量加权求和!

类似的,我们也可以把矩阵按照行向量分解,也可以表达成矩阵的行向量加权相加的形式。只不过列向量分解形式更为常见!

1、缩放

缩放矩阵M如下, S x S_x Sx 为x轴向的缩放因子, S y S_y Sy 为y轴向的缩放因子。
[ s x 0 0 s y ] \begin{bmatrix} s_x & 0\\ 0 & s_y\\ \end{bmatrix} [sx00sy]
P ′ = M P = [ s x 0 0 s y ] ∗ ( x y ) = ( s x ∗ x s y ∗ y ) P' = MP = \begin{bmatrix} s_x & 0\\ 0 & s_y\\ \end{bmatrix} * \begin{pmatrix} x\\y \end{pmatrix} = \begin{pmatrix} s_x * x\\s_y * y \end{pmatrix} P=MP=[sx00sy](xy)=(sxxsyy)

举个例子: M = [ 0.5 0 0 0.5 ] M = \begin{bmatrix} 0.5& 0\\ 0 & 0.5\\ \end{bmatrix} M=[0.5000.5] P = ( 2 2 ) P = \begin{pmatrix} 2\\2 \end{pmatrix} P=(22),则 P ′ = ( 1 1 ) P' = \begin{pmatrix} 1\\1 \end{pmatrix} P=(11),如下图所示:

在这里插入图片描述

2、旋转

默认地,正角度旋转代表逆时针,如下图所示的红色正方形,就是旋转45°

在这里插入图片描述

旋转矩阵 R θ R_\theta Rθ 如下:
[ cos ⁡ θ − sin ⁡ θ sin ⁡ θ cos ⁡ θ ] \begin{bmatrix} \cos \theta & -\sin \theta\\ \sin \theta & \cos \theta\\ \end{bmatrix} [cosθsinθsinθcosθ]

基本推导如下图:

在这里插入图片描述

我们使用最笨的待定系数法求解,将矩阵 R θ R_{\theta} Rθ 设为 [ A B C D ] \begin{bmatrix} A & B\\ C & D\\ \end{bmatrix} [ACBD],然后将两个点的前后结果带入计算,如下:
[ A B C D ] ( 1 0 ) = ( cos ⁡ θ sin ⁡ θ ) , [ A B C D ] ( 0 1 ) = > ( − sin ⁡ θ cos ⁡ θ ) \begin{bmatrix} A & B\\ C & D\\ \end{bmatrix}\begin{pmatrix} 1\\0 \end{pmatrix} = \begin{pmatrix} \cos{\theta}\\\sin{\theta} \end{pmatrix}, \begin{bmatrix} A & B\\ C & D\\ \end{bmatrix}\begin{pmatrix} 0\\1 \end{pmatrix} => \begin{pmatrix} -\sin{\theta}\\\cos{\theta} \end{pmatrix} [ACBD](10)=(cosθsinθ)[ACBD](01)=>(sinθcosθ)
所以自然得到:
A = cos ⁡ θ B = − sin ⁡ θ C = sin ⁡ θ D = c o s θ \begin{align} A &= \cos \theta\\ B &= -\sin \theta\\ C &= \sin \theta\\ D &= cos \theta\\ \end{align} ABCD=cosθ=sinθ=sinθ=cosθ

3、平移

平移就是让x轴和y轴的坐标分别偏移一定的量,如下图所示:

在这里插入图片描述

x ′ = x + t x y ′ = y + t y x' = x + t_x\\ y' = y + t_y x=x+txy=y+ty

我们记 P = ( x y ) P = \begin{pmatrix} x\\y \end{pmatrix} P=(xy) P ′ = ( x ′ y ′ ) P' = \begin{pmatrix} x'\\y' \end{pmatrix} P=(xy) T = ( t x t y ) T = \begin{pmatrix} t_x\\t_y \end{pmatrix} T=(txty) ,则上述可以表示为 P ′ ⃗ = P ⃗ + T ⃗ \vec{P'} = \vec P + \vec T P =P +T

但是我们发现,上述的形式没有用上矩阵,但在数学、物理中,人们都讲究统一,因此人们引入了齐次坐标的概念。

为了迎合平移也能统一使用矩阵进行变换,认为的给二维的向量添加一个维度,升为三维,如下:
p o s i t i o n = ( x y 1 ) , v e c t o r = ( x y 0 ) position = \begin{pmatrix} x\\y\\1 \end{pmatrix},vector = \begin{pmatrix} x\\y\\0 \end{pmatrix} position= xy1 vector= xy0
我们发现,位置向量咱们第三维补充1,方向向量咱们第三维补充0。

于是,咱们自然而然就可以定义出平移矩阵T,如下:
T = [ 1 0 t x 0 1 t y 0 0 1 ] 注: t x 表示 x 轴的偏移量, t y 表示 y 轴的偏移量 T = \begin{bmatrix} 1 & 0 & t_x\\ 0 & 1 & t_y\\ 0 & 0 & 1 \end{bmatrix}\\ 注:t_x 表示x轴的偏移量,t_y表示y轴的偏移量 T= 100010txty1 注:tx表示x轴的偏移量,ty表示y轴的偏移量
于是,针对位置点的平移、以及位置向量的平移计算结果如下:

在这里插入图片描述

我们发现,方向向量的结果没有变化,这难道出问题了么?并没有,因为方向向量本身就是位置无关的,不变才是对的,而针对某个顶点是变化了的,这就符合咱们的要求!

4、齐次坐标下总结

引入齐次坐标后,缩放和旋转矩阵多了一个维度,这里列举一下:

缩放矩阵:
S = [ s x 0 0 0 s y 0 0 0 1 ] S = \begin{bmatrix} s_x & 0 & 0\\ 0 & s_y & 0\\ 0 & 0 & 1 \end{bmatrix} S= sx000sy0001
旋转矩阵:
R = [ cos ⁡ θ − sin ⁡ θ 0 sin ⁡ θ cos ⁡ θ 0 0 0 1 ] R = \begin{bmatrix} \cos \theta & -\sin \theta & 0\\ \sin \theta & \cos \theta & 0\\ 0 & 0 & 1 \end{bmatrix} R= cosθsinθ0sinθcosθ0001

平移矩阵:
T = [ 1 0 t x 0 1 t y 0 0 1 ] T = \begin{bmatrix} 1 & 0 & t_x\\ 0 & 1 & t_y\\ 0 & 0 & 1 \end{bmatrix}\\ T= 100010txty1

三维变换

首先,由于多引入了一个维度,复杂度上升。坐标系自然而然分为两种:左手系、右手系,示意图如下:

在这里插入图片描述

**为了方便,后续三维空间中的矩阵变换讲解以右手系为例!**左手系也是类似,大家熟练之后可自行推导!

同理,在三维坐标系下,同样为了统一平移的操作,引入齐次坐标后,变换矩阵都是4x4的,这里不多赘述!

1、缩放

由于缩放最是容易,也最容易理解,这里直接给出缩放矩阵:
S = [ s x 0 0 0 0 s y 0 0 0 0 s z 0 0 0 0 1 ] 注: s x 、 s y 、 s z 分别为 x 、 y 、 z 轴的缩放比例 S = \begin{bmatrix} s_x & 0 & 0 & 0\\ 0 & s_y & 0 & 0\\ 0 & 0 & s_z & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}\\ 注:s_x、s_y、s_z分别为x、y、z轴的缩放比例 S= sx0000sy0000sz00001 注:sxsysz分别为xyz轴的缩放比例

2、平移

也是类似,这里直接给出平移矩阵:
T = [ 1 0 0 t x 0 1 0 t y 0 0 1 t z 0 0 0 1 ] 注: t x 、 t y 、 t z 分别为 x 、 y 、 z 轴的偏移量 T = \begin{bmatrix} 1 & 0 & 0 & t_x\\ 0 & 1 & 0 & t_y\\ 0 & 0 & 1 & t_z\\ 0 & 0 & 0 & 1 \end{bmatrix}\\ 注:t_x、t_y、t_z分别为x、y、z轴的偏移量 T= 100001000010txtytz1 注:txtytz分别为xyz轴的偏移量

3、旋转

由于三维世界中,旋转并不是绕一个点,而是绕一个旋转轴,所以最简单的旋转就是绕:x、y、z轴的旋转。

旋转规则: 绕某个轴旋转 θ \theta θ 角度,就是表明逆着此轴的方向眼睛看过去,逆时针旋转 θ \theta θ 角度。

例如如下示意图就是绕z轴旋转 θ \theta θ 角度:

在这里插入图片描述

并且我们一定要理解,绕z轴转动时,所有点的z坐标是不会变化的!

这里需要对照二维空间中的旋转矩阵的理解,本质上:二维旋转就是将两个相互垂直的基向量作为坐标轴,逆时针旋转的结果

所以,上述的绕z轴的旋转,可以理解为基向量就是 ( 1 0 0 ) \begin{pmatrix} 1\\0\\0 \end{pmatrix} 100 ( 0 1 0 ) \begin{pmatrix} 0\\1\\0 \end{pmatrix} 010

这里给出一个基本任意正交基向量 i ⃗ 、 j ⃗ \vec{i}、\vec{j} i j 的旋转示意图:

在这里插入图片描述

绕X轴旋转:

示意图如下:

在这里插入图片描述

因此,我们只是将基向量变成 ( 0 1 0 ) \begin{pmatrix} 0\\1\\0 \end{pmatrix} 010 ( 0 0 1 ) \begin{pmatrix} 0\\0\\1 \end{pmatrix} 001

所以,很容易构造出以下等式:
[ 1 0 0 0 0 cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 ] ( x i j 1 ) = ( x cos ⁡ θ ∗ i − sin ⁡ θ ∗ j sin ⁡ θ ∗ i + cos ⁡ θ ∗ j 1 ) \begin{bmatrix} 1 & 0 & 0 & 0\\ 0 & \cos{\theta} & -\sin{\theta} & 0\\ 0 & \sin{\theta} & \cos{\theta} & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}\\ \begin{pmatrix} x\\i\\j\\1 \end{pmatrix} =\begin{pmatrix} x\\\cos{\theta}*i - \sin{\theta} * j\\\sin{\theta}*i + \cos{\theta} * j\\1 \end{pmatrix} 10000cosθsinθ00sinθcosθ00001 xij1 = xcosθisinθjsinθi+cosθj1

自然而然可以得出,绕x轴的旋转矩阵如下:
R x = [ 1 0 0 0 0 cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 ] R_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} Rx= 10000cosθsinθ00sinθcosθ00001

绕Z轴旋转:

同理,示意图:

在这里插入图片描述

容易构造出以下等式:
[ cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 0 0 0 0 1 ] ( i j z 1 ) = ( cos ⁡ θ ∗ i − sin ⁡ θ ∗ j sin ⁡ θ ∗ i + cos ⁡ θ ∗ j z 1 ) \begin{bmatrix} \cos{\theta} & -\sin{\theta} & 0 & 0\\ \sin{\theta} & \cos{\theta} & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}\\ \begin{pmatrix} i\\j\\z\\1 \end{pmatrix} =\begin{pmatrix} \cos{\theta}*i - \sin{\theta} * j\\\sin{\theta}*i + \cos{\theta} * j\\z\\1 \end{pmatrix} cosθsinθ00sinθcosθ0000100001 ijz1 = cosθisinθjsinθi+cosθjz1
自然而然可以得出,绕z轴的旋转矩阵如下:
R z = [ cos ⁡ θ − sin ⁡ θ 0 0 sin ⁡ θ cos ⁡ θ 0 0 0 0 1 0 0 0 0 1 ] R_z = \begin{bmatrix} \cos{\theta} & -\sin{\theta} & 0 & 0\\ \sin{\theta} & \cos{\theta} & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix} Rz= cosθsinθ00sinθcosθ0000100001

绕Y轴旋转:

Y轴相比X和Z比较特殊,也是新手初学三维空间旋转最容易困惑的地方。但在咱们这里不存在,示意图如下:

在这里插入图片描述

容易构造出以下等式:
[ cos ⁡ θ 0 sin ⁡ θ 0 0 1 0 0 − sin ⁡ θ 0 cos ⁡ θ 0 0 0 0 1 ] ( j y i 1 ) = ( sin ⁡ θ ∗ i + cos ⁡ θ ∗ j y cos ⁡ θ ∗ i − sin ⁡ θ ∗ j 1 ) \begin{bmatrix} \cos{\theta} & 0 & \sin{\theta} & 0\\ 0 & 1 & 0 & 0\\ -\sin{\theta} & 0 & \cos{\theta} & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}\\ \begin{pmatrix} j\\y\\i\\1 \end{pmatrix} =\begin{pmatrix} \sin{\theta}*i + \cos{\theta} * j\\y\\\cos{\theta}*i - \sin{\theta} * j\\1 \end{pmatrix} cosθ0sinθ00100sinθ0cosθ00001 jyi1 = sinθi+cosθjycosθisinθj1
咱们发现,这里的形式稍微较绕x和绕z不一样了

本质就是因为这里的正交基分别是: ( 0 0 1 ) \begin{pmatrix} 0\\0\\1 \end{pmatrix} 001 ( 1 0 0 ) \begin{pmatrix} 1\\0\\0 \end{pmatrix} 100

自然而然可以得出,绕y轴的旋转矩阵如下:
R y = [ cos ⁡ θ 0 sin ⁡ θ 0 0 1 0 0 − sin ⁡ θ 0 cos ⁡ θ 0 0 0 0 1 ] R_y = \begin{bmatrix} \cos{\theta} & 0 & \sin{\theta} & 0\\ 0 & 1 & 0 & 0\\ -\sin{\theta} & 0 & \cos{\theta} & 0\\ 0 & 0 & 0 & 1 \end{bmatrix} Ry= cosθ0sinθ00100sinθ0cosθ00001

结尾:喜欢的小伙伴可以点点关注+赞哦

希望对各位小伙伴能够有所帮助哦,永远在学习的道路上伴你而行, 我是航火火,火一般的男人!

这篇关于图形学初识--空间变换的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1016371

相关文章

Linux操作系统 初识

在认识操作系统之前,我们首先来了解一下计算机的发展: 计算机的发展 世界上第一台计算机名叫埃尼阿克,诞生在1945年2月14日,用于军事用途。 后来因为计算机的优势和潜力巨大,计算机开始飞速发展,并产生了一个当时一直有效的定律:摩尔定律--当价格不变时,集成电路上可容纳的元器件的数目,约每隔18-24个月便会增加一倍,性能也将提升一倍。 那么相应的,计算机就会变得越来越快,越来越小型化。

Verybot之OpenCV应用二:霍夫变换查找圆

其实我是想通过这个程序来测试一下,OpenCV在Verybot上跑得怎么样,霍夫变换的原理就不多说了,下面是程序: #include "cv.h"#include "highgui.h"#include "stdio.h"int main(int argc, char** argv){cvNamedWindow("vedio",0);CvCapture* capture;i

【高等代数笔记】线性空间(一到四)

3. 线性空间 令 K n : = { ( a 1 , a 2 , . . . , a n ) ∣ a i ∈ K , i = 1 , 2 , . . . , n } \textbf{K}^{n}:=\{(a_{1},a_{2},...,a_{n})|a_{i}\in\textbf{K},i=1,2,...,n\} Kn:={(a1​,a2​,...,an​)∣ai​∈K,i=1,2,...,n

docker学习系列(一)初识docker

在第一版本上线之后公司,我们决定将之前使用的开源api文档项目转移到本公司的服务器之上,之前用的是showdoc,showdoc利用的是php技术,作为java程序员表示需要快速部署php环境以及apach容器都需要时间,所以采用第二种方法,即利用docker进行快速部署(虽然学习成本也不比php少)。 一、docker简介 docker的官网是https://www.docker.com,

win7系统中C盘空间缩水的有效处理方法

一、深度剖析和完美解决   1、 休眠文件 hiberfil.sys :   该文件在C盘根目录为隐藏的系统文件,隐藏的这个hiberfil.sys文件大小正好和自己的物理内存是一致的,当你让电脑进入休眠状态时,Windows 7在关闭系统前将所有的内存内容写入Hiberfil.sys文件。   而后,当你重新打开电脑,操作系统使用Hiberfil.sys把所有信息放回内存,电脑

求空间直线与平面的交点

若直线不与平面平行,将存在交点。如下图所示,已知直线L过点m(m1,m2,m3),且方向向量为VL(v1,v2,v3),平面P过点n(n1,n2,n3),且法线方向向量为VP(vp1,vp2,vp3),求得直线与平面的交点O的坐标(x,y,z): 将直线方程写成参数方程形式,即有: x = m1+ v1 * t y = m2+ v2 * t

[Linux]:环境变量与进程地址空间

✨✨ 欢迎大家来到贝蒂大讲堂✨✨ 🎈🎈养成好习惯,先赞后看哦~🎈🎈 所属专栏:Linux学习 贝蒂的主页:Betty’s blog 1. 环境变量 1.1 概念 **环境变量(environment variables)**一般是指在操作系统中用来指定操作系统运行环境的一些参数,具有全局属性,可以被子继承继承下去。 如:我们在编写C/C++代码的时,在链接的时候,我们并不知

【编程底层原理】方法区、永久代和元空间之间的关系

Java虚拟机(JVM)中的内存布局经历了几个版本的变更,其中方法区、永久代和元空间是这些变更中的关键概念。以下是它们之间的关系: 一、方法区: 1、方法区是JVM规范中定义的一个概念,它用于存储类信息、常量、静态变量、即时编译器编译后的代码等数据。 3、它是JVM运行时数据区的一部分,与堆内存一样,是所有线程共享的内存区域。 二、永久代(PermGen): 1、在Java SE 7之前,

框架template初识

框架初识 框架就是一个别人帮我们搭好的舞台,造好了很多现成的工具供我们使用,让开发过程更快速、简洁。 Gin框架介绍 Gin 是一个用 Go (Golang) 编写的 HTTP Web 框架。 Gin是一个用Go语言编写的web框架。它是一个类似于martini 但拥有更好性能的API框架, 由于使用了 httprouter,速度提高了近40倍。 第一个Gin示例 package mai

算法复杂度 —— 数据结构前言、算法效率、时间复杂度、空间复杂度、常见复杂度对比、复杂度算法题(旋转数组)

目录 一、数据结构前言 1、数据结构 2、算法 3、学习方法 二、 算法效率 引入概念:算法复杂度  三、时间复杂度 1、大O的渐进表示法 2、时间复杂度计算示例  四、空间复杂度 计算示例:空间复杂度 五、常见复杂度对比 六、复杂度算法题(旋转数组) 1、思路1 2、思路2 3、思路3 一、数据结构前言 1、数据结构         数据结构(D