图形学笔记 - 数学相关
Math in CG
1.Vector
（1）vector
函数api：
-
GLSL：
vec2、vec3、vec4
-
HLSL：
float2、float3、float4
向量的模：
- 一般在两边各加两条竖线表示\[||\vec{v}|| \]
（2）dot product
点积，别名：内积、数量积
代数定义：
Vec2：
Vec3：
几何定义：
可以求某向量在一个方向上的投影 -- 注意：点积的几何意义只适用于3维以内，高维只有代数定义
二维证明:已知点乘的几何意义,利用三角函数和角公式,cos(θ)=cos(α1-α2)=cosα1·cosα2+sinα1·sinα2=ax+by
Wiki百科证明 - 任意n维：
api函数：
- GLSL：
float dot(vec_n, vec_n); - HLSL：
float dot(float_n, float_n);
拓展：点积可以写成矩阵乘法形式（数学做题中出现）
- 可以将其中一个向量进行转置（取决于将向量视为行矩阵还是列矩阵）\[a\cdot b=ab^T \]
（3）cross product
代数定义：
Vec3：
PS：叉乘可以写成行列式，但其中一行是向量而不是常数，所以叉乘的结果是向量，而不是一个数
几何定义：
-
叉乘结果是一个向量，该向量正交于执行叉乘的两个向量
-
证明:正交就是两分量夹角为90度,那么可以通过点乘进行证明
-
-
叉乘的行列式：刚好是以uv为邻边的平行四边形的面积
"Vec2"：
二维有叉乘吗？严格意义来讲，没有。叉乘的定义：两个向量叉乘结果是一个与该两个向量正交的向量，因此在二维空间中，不存在这种向量，不具有几何意义。
但我们仍然可以进行这种计算，因为计算的结果是有意义的，(ay-bx)确实能够代表u和v之间的夹角θ的sin值
证明:已知点乘的几何意义,利用三角函数和角公式,sin(θ)=sin(α1-α2)=sinα1·cosα2-cosα1·sinα2=ay-bx
api函数：
-
GLSL：
vec3 cross(vec3, vec3);-
⚠️GLSL的cross函数只支持vec3的叉积操作
-
为支持vec2叉积，我们可以这么写：
-
float res = cross(vec3(uv1, 0.0), vec3(uv2, 0.0)).z;
-
-
HLSL：
float3 cross(float3, float3);-- 好像支持float2? whatever~
dot/cross product中涉及交换律/结合律等太简单了,用的时候自己推即可
（4）其他函数
*：
- GLSL/HLSL：都是逐分量相乘
正交化：
- GLSL：
vec_n normalize(vec_n); - HLSL：
float_n normalize(float_n);
模：
- GLSL：
float length(vec_n); - HLSL：
float length(float_n);
※（5）格拉姆-施密特正交化
格拉姆-施密特正交化的作用：已知向量集{...}，对其正交化处理，得到互相正交的新的向量集
算法步骤：依次加入向量，将当前向量减去该向量对已在正交向量集里向量的投影
（6）深入探讨：叉乘、点乘
叉乘
-
叉乘交换顺序，结果变反
-
\[A\times B=-B\times A \]
-
容易证明：叉乘可以写成行列式的形式，那么交换AB的顺序相当于交换行列式中两行，那么结果变反
-
-
特殊向量参与叉乘运算
-
单位向量 -- 没有特殊性\[A\times I=(y-z,z-x,x-y) \] -
0向量
\[A\times0=0 \] -
同一向量之间
\[A\times A=0 \]易证：行列式两行相等，结果为0
-
-
向量三重积 <=> 叉乘不满足结合律
-
\[A\times (B\times C)=B(A\cdot C)-C(A\cdot B) \\ \neq (A\times B)\times C \]
-
向量叉乘为什么不满足交换律：
- TODO，叉乘的结果的模相同吗？
-
向量三重积多种证明方式：
-
推导1：向量运算推导
B×C得到垂直于BOC平面的向量(假设为D)，所以说与T垂直的向量一定在BOC平面中，那么任意向量与D叉乘的结果(假设为K)，首先一定是垂直于D的，那么K一定在BOC平面内，那么得到公式\[A\times (B\times C)=mB+nC \ \ \ \ (m,n\in R) \]我们对等式两边同时点乘A：
\[A\cdot (A\times D)=A\cdot (mB+nC) \\ A\cdot (A\times D):标量三重积,因两分量相同,所以值为0 \\ mA\cdot B+nA\cdot C=0 \]假设：
\[m=pA\cdot C \ \ \ \ n=-pA\cdot B \ \ \ \ p\in R \\ \therefore A\times (B\times C)=p(A\cdot C)B-p(A\cdot B)C \]这种假设刚好使等式成立，所以说恒等式中未知数只剩p，我们可以带入特殊向量求p的值
带入不互相正交的向量，比如：
\[A=(1,1,0) \ \ \ \ B=(1,0,0) \ \ \ \ C=(0,0,1) \]=> 推导出
p=1，所以推导成功这里推导mn与p的关联性时不太严谨,这里将m与n转换为p,其实用到了m/n=-(A`B)/(A`C),这里没有考虑分母为0的情况,所以应该额外单独讨论 -
推导2：结合矩阵推导
-
推导前提：向量之间的点乘和叉乘，我们都可以转换为矩阵的形式 -- 叉乘不满足结合律，但矩阵乘法满足结合律
（前提：我们将向量看作是列向量）
点乘：A向量与B向量的点乘 = A的"转置矩阵"与B矩阵的矩阵乘法
\[A\cdot B=A^TB \]叉乘：A向量与B向量的叉乘 = A的"叉乘矩阵"与B矩阵的矩阵乘法
叉乘矩阵可以通过叉乘实际结果逆推
\[A\times B=A^\times B \\ A^\times =\begin{bmatrix} 0 & -z & y \\ z & 0 & -x \\ -y & x & 0 \end{bmatrix} \]标量乘法：常数a与向量B的乘法 = 常数写成矩阵
\[aB=A^TB \ \ \ \ A=\begin{bmatrix} a \\ a \\ a \end{bmatrix} \]这里有一个问题：若把常数a直接写成两个矩阵(C·D)的乘法，那么这两个矩阵与B矩阵的运算符是什么？也是矩阵乘法？？？那么是否可以通过结合律为这三个矩阵进行不同的组合 aB=(C·D)B=?=C(D·B) 解析：答案是不行 ❌ 常量与向量的乘法是标量乘法，而向量与向量的乘法是点乘，这个不能混为一谈-
推导：
\[A\times (B\times C)=B(A\cdot C)-C(A\cdot B) \\ A^\times B^\times C=B(A^TC)-C(A^TB) \\ 注意:等式右侧是标量乘法,所以不能通过结合律随意组合 \\ (A^\times B^\times + A^TB)C=B(A^TC) \]左侧C前面的系数我们可以计算出来：
\[A^\times B^\times= \\ A^TB \]TODO：这种证明方法有错，待研究🧐
-
-
-
-
-
标量三重积
- 可以写成矩阵形式 - TODO
2.Matrix
（1）matrix
函数api：
-
GLSL：
-
mat2、mat3、mat4-- 其他：mat2x3等... -
获取分量方法：
m[0][1]类似二维矩阵的方式 -
⚠️比较反人类，特别注意：
-
GLSL以列为主序，这句话有如下影响：
-
mat2x3：是2列3行矩阵 -
分量获取也是按照先列后行，
m[0][1]：第0列第1行 -
矩阵构造时也是按行构造：
-
举例：二维旋转矩阵M
\[M=\begin{bmatrix} cos\theta & -sin\theta \\ sin\theta & cos\theta \end{bmatrix} \] -
对应glsl代码：
mat2 M = mat2(c, s, -s, c);
-
-
-
-
-
HLSL：
float2x2、float3x3、float4x4-- 其他：float2x3等..- 初始化：矩阵初始化以行为主序 -- 同Eigen库
- 同上例：
mat2 M = mat2(c, -s, s, c);
⚠️（2）vec * mat
向量与矩阵的乘法：
-
首先明确一点：无论是哪种api，左边矩阵提供的都是行，右边矩阵提供的都是列
-
那么为什么会出现左乘和右乘矩阵的区别：是因为不同api对向量的理解不同！
-
GLSL：向量被看作列矩阵，【🧠这里很好记忆，因为矩阵也是"列"主序，所以其实向量和矩阵的构造函数是相通的】，所以它只能放在矩阵乘法右侧，所以变化矩阵需要左乘
-
这里有一个容易产生混淆的地方：GLSL是列主序，所以到底是怎么相乘的，举例说明：
-
\[M=\begin{pmatrix} 1 & 3 \\ 2 & 4 \end{pmatrix} \]
-
// GLSL: mat2 m = mat2(1, 2, 3, 4); // 以列主序构造 vec2 v = vec2(10, 20); vec2 res = m * v; // res:(1*10+3*20, 2*10+4*20) // 所以可以看出,尽管由列主序构,但并没有说这里的列就等价于了HLSL的行
-
-
变化矩阵综合：
T*R*S
-
-
问题1：左乘或右乘会影响相同变化矩阵的描述吗？如果会影响，当前推导的公式是基于哪种乘法呢，如何对齐左乘与右乘？
比如说我们知道如果一个变化是线性变换，那么它的矩阵表示中每行是对单位基向量做相同的变换，那么这个是基于右乘的前提？
=> 是的，是基于右乘的前提，推导线性变换时，我们是将对应乘法，转换成了矩阵形式：
所以我们这里其实默认了，坐标或者说向量是以行向量的形式存在，【因为线性变换的推导是HLSL教材上得来】
那么我们是否可以得出结论：如果我们在这里将向量看成列向量，那么左乘的变化矩阵，其实它的每一列是对标准基向量的同等变换！
所以如何对齐？所以很巧合的是，左乘的api又要求用行向量构造矩阵，所以矩阵初始化时其实连续的片段是有意义的，并没有分隔开；更甚者，我们直接在向量为行向量下推导出矩阵，然后假装自己不知道GLSL是以列为主序这么书写进去，结果是正确的！=> 所以说很多公式或博客其实并没有说明左乘右乘以及api的影响，只是它碰巧就这么对了～
所以我们看到部分博客中旋转矩阵是反的，因为左乘右乘的变化矩阵互相为转置矩阵！！！
TODO：验证shadertoy旋转：https://www.shadertoy.com/view/DsKSDm
（3）matrix multiplication
⚠️但是大多数api对乘法的定义是完全相反的，这比较annoying！
api函数：【api往往对矩阵类型"重载"了*操作符】
-
GLSL：
-
❤️左乘：与常规定义相反，*操作符右侧矩阵提供行，左侧矩阵提供列，对应元素相乘 -- 与godot相同【godot底层api是opengl/es】
-
左乘需要注意的，多个变化矩阵情况：例如SRT矩阵变换
-
mat3 M = (T * R * S); // 或者依次左乘 M = S * M; M = R * M; M = T * M;
-
-
HLSL：
- 右乘：与常规相同
（4）transpose
api函数：
- GLSL/HLSL：
transpose
（5）determinant - 行列式
表示方式：
行列式：
- 行列式的定义比较含糊，我们只需要知道，二阶行列式、三阶行列式的公式，以及n阶行列式的递归推导
- n阶行列式：....{取其中一行，计算
(-1)^(i+j)*对应代数余子式之和}
余子式：
- 定义：矩阵去掉第i行第j列后的行列式 -- 本质上是一个行列式
代数余子式：
-
定义：一个矩阵A的(i,j)代数余子式：Cij 是指A的(i,j)余子式Mij与(-1)i+j的乘积
-
\[C_{ij}=(-1)^{i+j}M_{ij} \]
余子矩阵：
- 定义：A矩阵对应位置存储的是代数余子式
伴随矩阵：
-
记作：adjoint
\[adj(A)=A^* \] -
定义：矩阵A的伴随矩阵是A的余子矩阵C的转置矩阵
\[adj(A)=C^T \] -
应用：
-
根据拉普拉斯公式的推论，n阶方阵有：
\[AA^*=A^*A=|A|I \]- 证明：
- A*是余子矩阵的转置，这样A和A*的矩阵乘法中，在对角线上，矩阵元素与对应代数余子式相乘，得到的结果都是det(A)
\[对角线上:\sum_{k=1}^na_{ik}C_{ik} \]- 在非对角线上，相当于将原本第j行元素换成第i行元素求取行列式，由于有两行相同，所以行列式为0【或者说：本身正在计算第j行行列式，却把第j行元素替换成了第i行】\[非对角线上:\sum_{k=1}^na_{ik}C_{jk} \]
-
如果矩阵可逆，可以推导出矩阵的逆和矩阵的伴随之间的关系：
\[AA^*=|A|I \\ AA^{-1}=I \\ => A^{-1}=\frac{A^*}{|A|} \]
-
行列式的性质：
- 性质1：只要行列式任意一行或列为全0，则行列式为0 - easy
- 性质2：行列式中任意两行(列)互换，行列式的值取反号
- 性质3：如果行列式中某一行所有元素都是两项之和，该行列式可以拆成两个行列式相加
- 性质4：行列式中某一行所有元素都乘以相同的系数k，等价用k乘以此行列式
- 【行列式的初等变换】性质5：行列式某行(列)乘以一个非零常数加到另一行(列)上，行列式不变
- 推导1：如果行列式有两行(列)相同，或者成比例，行列式为0 -- 证明：则取其中任意一行乘以-1，加到另一行，使该行元素全部为0
性质5的证明:
加到另一行，说明可以把行列式拆分为两个行列式，其中一个为原行列式，另一个行列式中有两行成k倍关系，根据性质2和性质4，所以可以得到这个行列式为0，所以新的行列式等于原行列式
性质5推导1的证明:
可以通过性质5直接证明，或者性质2，两行相同，那么交换两行行列式取反，所以行列式只能为0
三阶行列式的快速求法
-
我们可以通过斜对角线快速求的结果：
-
\[\begin{vmatrix} a & b & c \\ x & y & z\\ i & j & k \end{vmatrix}=从左到右从上到下-从右到左从上到下=(ayk+bzi+cxj)-(azj+bxk+cyi) \]
-
-
（6）inverse - 逆
定义：
-
\[AA^{-1}=A^{-1}A=I_n \]
n阶矩阵A可逆的充要条件：
-
\[|A|\neq 0 \]
-
其他后续补充...
求法：
-
伴随矩阵法
-
\[A^{-1}=\frac{A^*}{|A|} \]
-
-
初等变化法
-
具体步骤：
-
构造矩阵(A,I)，通过初等变换将A转换为I，我们就得到A-1
\[(A,I)\sim(I,A^{-1}) \] -
-
-
参考博客：https://www.sudoedu.com/线性代数视频课程/矩阵/用初等变换求逆矩阵/
-
（7）矩阵初等变换
初等变换：
- 交换矩阵的两行
- 以一个非零数k乘矩阵的某一行所有元素
- 把矩阵的某一行所有元素乘以一个不为0的数k，然后加到另一行对应元素
其他后续补充:
1.秩
2.特征值
3.Ax=b
......
3.变换
线性变换：
-
定义：线性变换是一种函数，我们关注输入和输出为三维向量的情况：
\[\tau(\textbf{u})=\tau(x,y,z)=(x',y',z') \]线性变化需要满足两个性质：
\[\tau(\textbf{u}+\textbf{v})=\tau(\textbf{u})+\tau(\textbf{v}) \\ \tau(k\textbf{u})=k\tau(\textbf{u}) \] -
线性变换的矩阵表示法：根据线性变换的性质，我们有意将向量u拆成：
\[\textbf{u}=x\textbf{i}+y\textbf{j}+z\textbf{k} \\ 其中:x,y,z是常数,也就是3d坐标; \\ \textbf{i} = (1,0,0)\ \ \ \textbf{j}=(0,1,0) \ \ \ \textbf{k}=(0,0,1) \]那么根据线性变换的性质：
\[\tau(\textbf{u})=τ(x\textbf{i}+y\textbf{j}+z\textbf{k})=x\tau(\textbf{i})+y\tau(\textbf{j})+z\tau(\textbf{k}) \]这种三个对应相乘的形式，我们可以用向量/矩阵的乘法表示：
\[\tau(\textbf{u})=\textbf{u}A=\begin{bmatrix} x & y & z \end{bmatrix} {\color{Red} \begin{bmatrix} \gets \tau(\textbf{i}) \to \\ \gets \tau(\textbf{j}) \to \\ \gets \tau(\textbf{k}) \to \end{bmatrix} } \]我们称矩阵A为线性变化τ的矩阵表示法 => 换言之，对三维向量的线性变化，都可以转换为矩阵的形式；特别的，这个矩阵很特殊，矩阵的每行分别是对标准基向量的变换
※甚至我们只需要关注对标准基向量的变换!!!比如当我们关注旋转变换时，(当然我们需要保证它是一个线性变换)，我们只需要关注比如(1,0,0)这个向量在旋转后结果(?,?,?)即可，那比如绕z轴旋转θ角度，非常容易求得结果为(cosθ,sinθ,0)
特殊线性变换：【对于特殊的线性变换，我们可以很容易根据上面的推导得到对应矩阵】
-
缩放
-
对应线性变换函数：
\[s(x,y,z)=(s_xx,s_yy,s_zz) \] -
对应矩阵：
\[\tau(\textbf{i})=(s_x,0,0)\ \tau(\textbf{j}),\tau(\textbf{k})同理 \\=>\begin{bmatrix} s_x & 0 & 0 \\ 0 & s_y & 0 \\ 0 & 0 & s_z \end{bmatrix} \]
-
-
旋转
-
旋转有许多种，包括：对x/y/z以及任意轴的旋转
-
常见旋转矩阵：
【我们约定：正θ角表示逆时针旋转】我们可以通过旋转是线性变换可以推导出特殊旋转矩阵：
TODO其实可以发现，这里xyz轴可以任意替换，也不用关心左右手坐标系 -- 比如关于y轴旋转，那么我们考虑zox平面，那么z行就是
cos sin，x行就是-sin cos，以此来记忆 -
讨论最简单的一种 -- 关于z轴旋转θ度：
\[r(x,y,z)=(?,?,z) \]这里
?还真不好求，我们可以通过上面👆论证的，仅仅考虑对标准基向量的变换，快速得到结果 -
常规旋转 -- 向量v绕轴n以θ旋转【罗德里格旋转公式】
-
证明：
-
-
我们将v向量分为平行于n轴的向量和垂直于n轴的向量 -- 因为旋转只影响垂直于n轴的向量
-
\[\vec{v}=\vec{v_\bot}+\vec{v_\parallel} \]
-
我们假设n是单位向量(简化表达)：
-
\[\vec{v_\parallel}=(\vec{n}\cdot \vec{v})\cdot \vec{n} \\ \vec{v_\bot}=\vec{v}-\vec{v_\parallel} \]
-
上面右图可以发现，我们可以将垂直向量的旋转问题，看成一个(原向量的模,0)向量在以下xoy平面旋转：
-
\[x轴:\vec{v_\bot} \\ y轴:\vec{n}\times \vec{v} \ 或 \ \vec{n} \times \vec{v_\bot} \]
-
那么旋转后的向量对x轴和y轴的投影之和就是旋转向量：
-
\[\vec{v_\bot}'=||\vec{v}_\bot||\cdot cos\theta\cdot \frac{\vec{v_\bot}}{||\vec{v}_\bot||}+||\vec{v}_\bot||\cdot sin\theta\cdot \frac{\vec{n}\times \vec{v}}{||\vec{n}\times\vec{v}||} \\ \because |\vec{n}\times \vec{v}|=|\vec{v_\bot}| \\ =\vec{v_\bot}\cdot cos\theta + (\vec{n} \times \vec{v})\cdot sin\theta \]
-
所以整合公式：
-
\[\vec{v}'=\vec{v_\parallel}+\vec{v_\bot}' \\ =\vec{v_\parallel}+ \vec{v_\bot} \cdot cos\theta+(\vec{n}\times \vec{v})\cdot sin\theta \\ =(\vec{n}\cdot \vec{v})\cdot \vec{n}+(\vec{v}-(\vec{n}\cdot \vec{v})\cdot\vec{n})\cdot cos\theta+(\vec{n}\times \vec{v})\cdot sin\theta \\ =(1-cos\theta)\cdot(\vec{n}\cdot \vec{v})\cdot \vec{n}+cos\theta\cdot\vec{v}+(\vec{n}\times \vec{v})\cdot sin\theta \]
-
结果：
-
\[{\color{Red} R_n(v)=proj_n(v)+R_n(v_\bot)} \\ {\color{Red} =cos\theta \textbf{v}+(1-cos\theta)(\textbf{n}\cdot \textbf{v})\textbf{n}+sin\theta(\textbf{n}\times \textbf{v})} \]
-
证明此变换是线性变换：
-
性质1：
-
叉积满足分配率：
\[n\times (v_1+v_2)=n\times v_1+n\times v_2 \] -
点积满足分配率：
\[n\cdot(v_1+v_2)=n\cdot v_1 + n\cdot v_2 \]
-
-
性质2：易证，不管点积叉积，都可以将常数提取出来
-
-
当知道变换是线性变换后，我们可以构造矩阵 -- 对标准基向量变换以快速构造：
\[n=(x,y,z) \ \ \ \ \theta \\ R_n=\begin{bmatrix} cos\theta+(1-cos\theta)x^2 & (1-cos\theta)xy+sin\theta z & (1-cos\theta)xz-sin\theta y \\ (1-cos\theta) xy-sin\theta z & cos\theta+(1-cos\theta)y^2 & (1-cos\theta)yz+sin\theta x\\ (1-cos\theta)xz+sin\theta y & (1-cos\theta)yz-sin\theta x & cos\theta+(1-cos\theta)z^2 \end{bmatrix} \]
-
-
-
平移并不是线性变换
-
‼️重要性质：旋转矩阵的逆等于旋转矩阵的转置
-
🤔️【思考】线性变换的组合是线性变换吗，model矩阵中SRT的SR是线性变换吗？如何通过model矩阵逆推S、R、T矩阵？
-
线性变换的复合还是线性变换！
-
解析：考虑什么叫变换的组合，比如旋转和缩放，这两个变换的组合就是先旋转后再缩放，或用代数形式推理：
\[\tau_2(\tau_1(u+v))=\tau_2(\tau_1(u)+\tau_1(v))=\tau_2(\tau_1(u))+\tau_2(\tau_1(v)) \\ \tau_2(\tau_1(ku))=k\tau_2(\tau_1(u)) \] -
故：SR的复合矩阵的每行依旧是对标准基向量的变化
-
-
仿射变换相较于线性变换的特殊性：可以分离出线性变换部分(SR)与平移部分(T)
-
正交矩阵：
-
定义：如果AAT=I或ATA=I，则n阶实矩阵A称为正交矩阵
-
正交矩阵的性质：
-
\[A^{-1}=A^T \]
-
A的各行或各列是单位向量，且两两正交
-
\[|A|=1或=-1 \]
- 证明：\[|AA^T|=|A||A^T|=|A|^2=1 \]
- 证明：
-
旋转是正交矩阵的证明:
首先旋转是线性变换，所以旋转对应的矩阵的行向量，分别是对标准基向量的变换，那么对这三个标准基向量ijk同时施加旋转，结果依旧是单位向量，且它们之间是两两正交的
仿射变换：
-
定义：仿射变换 = 线性变换 + 平移
-
\[\alpha(u)=\tau(u)+b=uA+b=\begin{bmatrix} x & y & z \end{bmatrix} \begin{bmatrix} A_{11} & A_{12} & A_{13} \\ A_{21} & A_{22} & A_{23} \\ A_{31} & A_{32} & A_{33} \end{bmatrix}+\begin{bmatrix} b_x & b_y & b_z \end{bmatrix}=\begin{bmatrix} x' & y' & z' \end{bmatrix} \]
-
将3d坐标扩充为齐次坐标后：
\[\begin{bmatrix} x & y & z & 1 \end{bmatrix} \begin{bmatrix} A_{11} & A_{12} & A_{13} & 0 \\ A_{21} & A_{22} & A_{23} & 0 \\ A_{31} & A_{32} & A_{33} & 0 \\ b_x & b_y & b_z & 1 \end{bmatrix}=\begin{bmatrix} x' & y' & z' & 1 \end{bmatrix} \]
坐标系变换：
-
坐标系中基向量理解：
-
比如3维空间中(x,y,z)坐标：
-
\[(x,y,z)=x\textbf{i}+y\textbf{j}+z\textbf{k} \\ \vec{i} = (1,0,0) \\ \vec{j} = (0,1,0) \\ \vec{k} = (0,0,1) \]
-
所以其实ijk可以是任何向量，xyz是相对这个坐标系的坐标（好像是废话～）
-
-
坐标系之间变换
-
两个坐标系之间的变换，假设坐标系A的xyz轴和原点相对于坐标系B的坐标为uvw和Q，那么从坐标系A到坐标系B的坐标转换矩阵为：
\[\begin{bmatrix} \leftarrow u \rightarrow \\ \leftarrow v \rightarrow \\ \leftarrow w \rightarrow \\ \leftarrow Q \rightarrow \end{bmatrix} \]那么从B到A的坐标变换矩阵为该矩阵的逆矩阵，也就是uvw这个3x3局部矩阵的逆和Q取反
-
🔥记忆方式：将坐标从A转换到B，变换矩阵为A相对于B的坐标(xyz和原点) -- 与常规认知相反，下意识会认为应该是B相对于A的坐标
- 比如：local->world的变换矩阵，就是local相对于world的坐标，局部坐标系实际在世界空间中的位置 -- "实际上世界空间是固定的，局部空间是处于世界空间中"
-
4.渲染管线
（1）坐标系
坐标系之间的转换只涉及RT，R：rotation，T：transform，是一个仿射变换，可以看成旋转(线性变换)和平移这两个变化矩阵的组合，所以变化矩阵格式如下：
‼️重要性质：因为旋转矩阵是正交矩阵，所以求变换矩阵的逆M-1很简单，属于旋转的3x3部分的逆就是转置
坐标系变换矩阵简述
-
world -
local -> world- local相对于world的坐标，相当于要将物体放在world空间的什么位置
-
view -
world -> view- world相对于camera并不好算，反而camera相对于world很简单，只需要摄像机空间朝向(z)，正上方(y)，就能构建view矩阵的逆矩阵
-
projection -
camera -> ndc-
比如将平截头体透视到投影窗口上【相似三角形】，利用矩阵的闲余元素将z从[n,f]映射到[0,1]
-
-
r：aspect ratio 长宽比【记忆方式：分辨率长在前，宽在后】；α：垂直视仰角，这个角度是两倍与水平面的夹角
-
-
其中投影窗口具体离人眼位置，以及长宽具体值并不重要【我们可以假设高为2，那长就为2r】，因为我们最终会将投影窗口根据纵横比映射到后台缓冲区 => 为了去除投影窗口对纵横比的依赖，我们会做一个额外映射，将x从[-r,r]映射到[-1,1] 【透视除法】
-
总结：
\[camera \overset{相似\triangle}{\rightarrow} homogeneous \overset{透视\div}{\rightarrow} ndc \\ndc: \left\{\begin{matrix} x\in[-1,1] \\ y\in[-1,1] \\ z\in[0,1] \end{matrix}\right. \]
-
🌟projection矩阵推导：
参考网站：https://blog.csdn.net/shuaigougou5545/article/details/126324406
不妨假设投影窗口长度为2r，宽度为2，那么投影窗口距离人眼距离为1/tan(α/2)，根据相似三角形可以得到：-- 其中，相似三角形能将x映射到[-r,r]，但要满足ndc则还需要进行额外除以r
这里我们可以看到,其实r、alpha、n、f共同决定观察的平截头体,所以我们通过定义投影窗口,相当于定义了我们会将xy限制/投影在某个范围内(投影窗口:x坐标[-r,r],y坐标[-1,1])
公式中都出现z，但z导致线性关系破裂（难以通过构造矩阵表达），我们可以在构造矩阵时分别处理线性变换和非线性变换【透视除法】-- 透视除法：我们让矩阵结果w分量保存z值，最后再通过xyz同时除以w实现结果
所以我们初步得到了projection矩阵：
我们发现矩阵中关于z的变换的元素闲余，我们可以利用起来，将z从[n,f]近远平面之间进行线性映射到[0,1]
因为z'与xy无关，所以M02和M12均为0，假设M22为A，M32为B，那么有如下关系式：
🕳️这里有大坑：我们之后会进行透视除法，所以这里的并不是一个线性映射 => 这里我们只能保证我们的构造的函数是保序函数！！
projection矩阵的完整版：
TODO：
5.rotation
与旋转相关的数学概念有：旋转矩阵、欧拉角、四元数、轴角。
（1）欧拉角
内旋/外旋：
内旋/外旋
-
内旋：绕物体自身的坐标系旋转 -- 欧拉角的默认前提
-
外旋：绕惯性系旋转（轴是固定的，不会动）
前提：矩阵乘法一般不满足交换律，所以旋转并不是简单线性累加
Z-Y-X欧拉角
TODO：
（2）四元数
复数
-
a为实部，b为虚部，虚部单位i，共轭复数虚部相反
-
复数运算规则：
-
\[(a,b)\pm(c,d)=(a+c,b+d) \\ (a,b)(c,d)=(a+bi)(c+di)=ac+bdi^2+(ab+cd)i=(ac-bd,ab+cd) \\ \frac{(a,b)}{(c,d)}=\frac{(a,b)(-c,d)}{(c,d)(-c,d)}=(\frac{ac+bd}{c^2+d^2},\frac{bc-ad}{c^2+d^2}) \ \ \ \ 前提:(c^2+d^2\neq0) \]
-
-
极坐标表示法：复数运算法则与2D向量相似，我们可以将复数看成2D坐标
-
\[z=(a,b)=a+bi=rcos\theta+irsin\theta=(rcos\theta,rsin\theta) \]
-
特殊性质 - 复数乘法：
\[z_1z_2=(r_1cos\theta_1+ir_1sin\theta_1)(r_2cos\theta_2+ir_2sin\theta_2) \\=(r_1r_2(cos\theta_1cos\theta_2-sin\theta_1sin\theta_2),r_1r_2(cos\theta_1sin\theta_2+sin\theta_1cos\theta_2)) \\=(r_1r_2cos(\theta_1+\theta_2), r_1r_2sin(\theta_1+\theta_2)) \]比较该公式与复数的极坐标表示，如果r2=1，也就是z2为单位复数，则该乘法的结果其实就是对z1复数（向量）进行了一个旋转操作
结论：将复数z1（把它视为2D向量）与单位复数z2相乘就相当于对z1进行旋转操作
-
四元数代数
-
u为虚部，w为实部，(这里我们一般将虚部放在前面,与复数相反,问题不大)
-
运算法则：类似于向量和复数
-
四元数乘法：
\[pq=r=(r_1,r_2,r_3,r_4)=r_1i+r_2j+r_3k+r_4 \]对应相乘，能得到i的有：单含i的，以及j与k相乘
\[含i的:\ \ \ \ p_1i*q_4+p_2j*q_3k+p_3k*q_2j+p_4*q_1i \]同理得到：
\[r_1=p_1q_4+p_2q_3-p_3q_2+p_4q_1 \\ r_2=-p_1q_3+p_2q_4+p_3q_1+p_4q_2 \\ r_3=p_1q_2-p_2q_1+p_3q_4+p_4q_3 \\ r_4=-p_1q_1-p_2q_2-p_3q_3+p_4q_4 \\ pq=r=(r_1,r_2,r_3,r_4)=\begin{pmatrix} p_4 & -p_3 & p_2 & p_1\\ p_3 & p_4 & -p_1 & p_2\\ -p_2 & p_1 & p_4 & p_3\\ -p_1 & -p_2 & -p_3 & p_4 \end{pmatrix} \begin{pmatrix} q_1 \\ q_2 \\ q_3 \\ q_4 \end{pmatrix} \]结论：四元数的乘法可以写成类似矩阵乘法的形式
\[pq=\begin{pmatrix} q_1 \\ q_2 \\ q_3 \\ q_4 \end{pmatrix}^T \begin{pmatrix} p_4 & -p_3 & p_2 & p_1\\ p_3 & p_4 & -p_1 & p_2\\ -p_2 & p_1 & p_4 & p_3\\ -p_1 & -p_2 & -p_3 & p_4 \end{pmatrix}^T \]-
四元数与纯实数或乘法单位元
e=(0,0,0,1)-
\[pe=\begin{pmatrix} p_4 & -p_3 & p_2 & p_1\\ p_3 & p_4 & -p_1 & p_2\\ -p_2 & p_1 & p_4 & p_3\\ -p_1 & -p_2 & -p_3 & p_4 \end{pmatrix}\begin{pmatrix} 0 \\ 0 \\ 0 \\ 1 \end{pmatrix}=p \\ ep=\begin{pmatrix} 1 & 0 & 0 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1 \end{pmatrix}\begin{pmatrix} p_1 \\ p_2 \\ p_3 \\ p_4 \end{pmatrix}=p \]
-
-
四元数连乘
- 两个四元数相乘的结果依然是一个四元数（4D向量/行向量或列向量），所以很明显可以连乘，如何用矩阵形式表示：TODO？？？-- 考虑方向：四元数乘法是否具有结合律
-
-
四元数乘法另一种形式：
-
四元数乘法可以写成点乘和叉乘的形式 => 数学家可能从这里发现了公式与罗德里格公式的相似之处
-
四元数就是向量，所以点积和叉积和向量的定义相同
-
\[p=(u,a) \ \ \ \ q=(v,b) \\ u\times v=(p_2q_3-p_3q_2,p_3q_1-p_1q_3,p_1q_2-p_2q_1) \\ u\cdot v=p_1q_1+p_2q_2+p_3q_3 \]
我们观察之前计算的结果：
\[r_1=p_1q_4+p_2q_3-p_3q_2+p_4q_1 \\ r_2=-p_1q_3+p_2q_4+p_3q_1+p_4q_2 \\ r_3=p_1q_2-p_2q_1+p_3q_4+p_4q_3 \\ r_4=-p_1q_1-p_2q_2-p_3q_3+p_4q_4 \]推导：
\[r_4=-u\cdot v+ab \\ r_1=(u\times v)_x+p_1q_4+p_4q_1 \\ r_2=(u\times v)_y+p_2q_4+p_4q_2 \\ r_3=(u\times v)_z+p_3q_4+p_4q_3 \\ \therefore r_{1/2/3}=(u\times v)_{x/y/z}+(bu)_{x/y/z}+(av)_{x/y/z} \\ \therefore r=u\times v+bu+av \]总结：
\[p=(u,a) \ \ \ \ q=(v,b) \\ pq=(u\times v+bu+av,-u\cdot v+ab) \]
-
-
四元数相关性质
-
共轭
-
\[q=(u,w)=(q_1,q_2,q_3,q_4) \\ q*=\overline{q}=(-u,w)=(-q_1,-q_2,-q_3,q_4) \]
-
-
范数（模）
-
\[q=(u,w)=(q_1,q_2,q_3,q_4) \\ ||q||=\sqrt{u^2+w^2}=\sqrt{q_1^2+q_2^2+q_3^2+q_4^2} \]
-
单位四元数 => 模为1的四元数
-
显然：
\[||q||=||\overline{q}|| \]
-
-
共轭、范数重要运算法则
-
共轭的运算与逆类似：通过pq乘法的代数表示进行推导
\[p=(u,a) \ \ \ \ q=(v,b) \\ pq=(u\times v+bu+av,-u\cdot v+ab) \]得到：
\[(pq)^*=q^*p^* \\(p+q)^*=p^*+q^* \] -
重要性质：
-
\[{\color{Red} pp^*=||p||^2} \\ (r_1,r_2,r_3=0,所以值为纯实数) \]
-
\[||pq||=||p||\cdot ||q|| \]
证明：
\[\because ||p||=\sqrt{pp^*} \\ \therefore ||pq||=\sqrt{(pq)(pq)^*} \\ =\sqrt{p(qq^*)p^*} \\ = \sqrt{p||q||^2p^*} \\ =||q||\sqrt{pp^*} \\=||p||\cdot||q|| \]
-
-
-
逆
-
定义：
\[qq^{-1}=q^{-1}q=1=(0,0,0,1) \] -
性质：
\[\because qq^{-1}=1 \ \ \ \ qq^*=||q||^2 \\ \therefore q^{-1}=\frac{q^*}{||q||^2} \\ \therefore 单位四元数的逆=其共轭 \]
-
-
极坐标表示
-
极坐标用ρ、θ构造，我们这里不能将ijk看成三维标准基向量（虽然看起来有那么回事～），θ很难说在三维中的意义是什么
-
首先考虑单位四元数：
\[q=(u,w) \\ ||q||=1 \ \ \rightarrow \ \ u^2+w^2=1^2 \\ \therefore w^2<1 \]u和w这种平方和为1的状况，我们可以考虑
sin^2+cos^2=1的结构，因为w是1维度，而u是3维度，为了考虑角度与三角函数值唯一对应的情况，我们应该将w视为cos，那么theta角的范围应该在[0,pi]\[||w||=cos\theta \ \ \ \ \theta\in[0,\pi] \\ ||u||=sin\theta \ ? \]分析u，一个3维向量的模是sinθ，那么这个三维向量应该是任意单位向量乘上常数sinθ
\[u=sin\theta\cdot n \ \ \ \ ||n||=1 \]所以：
\[q=(u,w)=(nsin\theta,cos\theta) \ \ \ \ \theta\in[0,\pi] \\ ||n||=1 \]意味着，我们可以将一个三维单位向量n和角度θ存入四元数 => 意义：后面到旋转算子就知道了，目前可以透露的是，n代表的任意旋转轴，θ代表的旋转角度，通过旋转算子用四元数表示旋转操作
考虑特殊情况：
-
θ不在[0,π]的范围
-
θ在[-π,0]的情况，就是反向旋转，用四元数表示：
\[q'=(nsin(-\theta),cos(-\theta))=(-nsin\theta,cos\theta)=q^* \] -
绕旋转轴旋转角度，最大就是π，那么超过π的
-
-
n不是单位向量
-
-
四元数旋转算子
-
数学家发现，四元数结构qvq*的结果，刚好是罗德里格旋转算法，因此我们就通过对p进行四元包夹乘法
-
前提：
- q是单位四元数 - 所以q的逆与共轭等价
- 我们将纯虚数视为向量或坐标v
- 旋转算子得到的结果期望也是一个纯虚数（向量/坐标）
-
旋转算子的推导：
-
四元数的旋转算子：
\[v'=qvq^*=qvq^{-1} \\ q=(nsin\theta, cos\theta) \ \ \ \ \theta \in [0,\pi] \ \ \ \ ||n||=1 \] -
要用到的公式：
\[1.四元数乘法: \\ p=(u,a) \ \ \ \ q=(v,b) \\ pq=(u\times v+bu+av,-u\cdot v+ab) \\ 2.罗德里格旋转公式: \\ R_n(v)=proj_n(v)+R_n(v_\bot) \\ =cos\theta \textbf{v}+(1-cos\theta)(\textbf{n}\cdot \textbf{v})\textbf{n}+sin\theta(\textbf{n}\times \textbf{v}) \\ 3.向量三重积公式: \\ a\times(b\times c)=b(a\cdot c)-c(a\cdot b) \]-
三重积：
-
\[a\cdot (b\times c)=b\cdot(c\times a)=c\cdot (a\times b) \]
-
其中任意两向量相等，三重积结果为0
-
推导：
\[p=(v,0) \ \ \ \ q=(u,w) \ \ \ \ q^{-1}=q^*=(-u,w) \\ qpq^*=(u,w)(v,0)(-u,w) \\ =(u\times v+wv,-u\cdot v)(-u,w) \\ =(a'',b'') \\ a''=-u\times v\times u-wv\times u+(u\cdot v)u+wu\times v+w^2v \\ b''=(u\times v)\cdot u+wv\cdot u-wu\cdot v=0 \]b''=0是我们预期的结果，对于a‘’来说：分析【可以写成-u×v×u，其中u×v是垂直于uv平面的向量假设为t，假定一个手性，绘制出坐标系，那么t×u的结果应该是与v相反，所以说总结果为-u×v×u=v-- 错误的🙅，方向是v的方向，但大小并不是u×(v×u)，这样可以代向量三重积的公式】\[a''=-u\times v\times u-wv\times u+(u\cdot v)u+wu\times v+w^2v \\ 这里:p=(v,0) \ \ \ \ q=(nsin\theta,cos\theta)=(u,w) \ \ \ \ 且||n||=1 \\ \therefore a''=2(u\cdot v)u-(u\cdot u)v+2wu\times v+w^2v \\=(cos^2\theta-sin^2\theta)v+2sin^2\theta (n\cdot v)n+2sin\theta cos\theta(n\times v) \\ = cos2\theta v+(1-cos2\theta)(n\cdot v)n+sin2\theta(n\times v) \]根据推导我们可以看到旋转算子
qvq*的结果，就是罗德里格旋转公式的结果，n是旋转轴，但θ是真实旋转角度的一半（也就是说我们想要旋转alpha度，那么θ角就是alpha的一半）总结：
已知向量v（
v=(v,0)），绕n轴（n轴是单位向量）旋转θ角度，对应的旋转四元数q（q=(nsinθ, cosθ)），那么旋转后的新向量v'（v'=qvq*：四元数连乘） -
6.解析几何
（1）长方形与长方形相交 （长方形可旋转）
判断相交的流程：
- 判断两个长方形的边是否有相交 -- 相交=>true；否则=>进入2
- 判断两个长方形是否存在包含关系 -- 包含=>true；否则=>false
- 判断x,y的值域范围存在包含关系 - 这与长方形是否存在包含关系等价
遗留问题
alpha值的物理证明，为什么比如通过透明物质是通过alpha来计算最终光线的；albedo物理意义，透明物体的albedo和不透明物体的区别
坐标系变换矩阵的一些api
用三个角度的坐标系 - 垂直视仰角
vec与vec相乘，透视乘法？
判断是否有逆
n.基本数学定理
（1）余弦定理
余弦定理定义：
$$
cos\alpha=\frac{b^2+c^2-a^2}{2bc}
\\ a^2=b^2+c^2-2bc\cdot cos\alpha
$$
余弦定理证明：
$$
c=b\cdot cos\alpha+a\cdot cos\beta
\\ c^2=bc\cdot cos\alpha+ac\cdot cos\beta
\\ 同理:a^2=ab\cdot cos\gamma+ac\cdot cos\beta \ \ \ \ b^2=ab\cdot cos\gamma+bc\cdot cos\alpha
\\ \therefore a^2+b^2-c^2=2ab\cdot cos\gamma
$$
奇怪的知识
- 逆&除法：
- 当乘法满足交换律时，我们用除法定义；当乘法不满足交换律时，我们用逆定义；
