GAMES101系列笔记一 图形学概述与线性代数入门

概述+线性代数

为什么学习图形学?

Computer Graphics is AWESOME!

主要涉及内容:

  • 光栅化
  • 曲线和网格
  • 光线追踪
  • 动画与模拟

Differences between CG and CV:

GAMES101系列笔记一  图形学概述与线性代数入门

线性代数回顾

向量(Vectors)

  • 方向和长度

    模长:\(||\vec{a}||\)

  • 没有确定的起点

  • 单位向量:模长为1

    单位化向量: \(\hat{a} = \vec{a}/||\vec{a}||\)

  • 向量求和:

    GAMES101系列笔记一  图形学概述与线性代数入门

  • 列向量,转置,模长的计算方式

    \(\boldsymbol{A} = \begin{pmatrix}x \\ y\end{pmatrix} \quad \boldsymbol{A}^T = \begin{pmatrix}x&y\end{pmatrix} \quad ||\boldsymbol{A}|| = \sqrt{x^2+y^2}\)

  • 点乘(Dot/scalar Product)

GAMES101系列笔记一  图形学概述与线性代数入门

  • 点乘定义:

    \(\vec{a} \cdot \vec{b} = ||\vec{a}||\,||\vec{b}||cos\theta\)

    \(cos\theta = \frac{\vec{a}\cdot\vec{b}}{||\vec{a}\||\,||\vec{b}||}\)

  • For unit vectors:

    \(cos\theta = \hat{a}\cdot\hat{b}\)

  • 交换律、结合律、数乘

直角坐标系下,计算更为方便:

  • 2D:

    \(\vec{a}\cdot\vec{b} = \begin{pmatrix}x_a \\y_a\end{pmatrix}\cdot\begin{pmatrix}x_b \\y_b\end{pmatrix} = x_ax_b+y_ay_b.\)

  • 3D:

    \(\vec{a}\cdot\vec{b} = \begin{pmatrix}x_a \\y_a\\z_a\end{pmatrix}\cdot\begin{pmatrix}x_b \\y_b\\z_b\end{pmatrix} = x_ax_b+y_ay_b+z_az_b.\)

  • 投影:

GAMES101系列笔记一  图形学概述与线性代数入门

$\vec{b}_\perp:\vec{b}$ 在 $\vec{a}$ 上的投影;

$\vec{b}_\perp = k\hat{a};$ 

$k = ||\vec{b}_\perp|| = ||\vec{b}||cos\theta$
  • 点乘可以告诉我们前和后的关系

GAMES101系列笔记一  图形学概述与线性代数入门

  • 叉乘(Cross\Vector product)

    • 两个向量相乘,得到一个与这两个向量都相等的向量;

      \(\vec{a}\times\vec{b} = -\vec{b}\times\vec{a}\)

      \(\vec{a}\times\vec{a} = \vec{0}\)

      \(||\vec{a}\times\vec{b}|| = ||\vec{a}||\,||\vec{b}||sin\phi\)

      方向由右手螺旋定则确定

      GAMES101系列笔记一  图形学概述与线性代数入门

    • 笛卡尔坐标系下的计算方法:

      \(\vec{a}\times\vec{b} = \begin{pmatrix}y_az_b-y_bz_a \\ z_ax_b - x_az_b \\ x_ay_b-y_ax_b\end{pmatrix} = A*b = \begin{pmatrix}0 & -z_a& y_a \\ z_a & 0 & -x_a \\ -y_a & x_a & 0\end{pmatrix}\)

      \(A\) 为 \(\vec{a}\) 的对偶矩阵。

    • 叉乘在图形学中的作用

      判定左和右(一次叉乘),判断内和外(三次叉乘)

      GAMES101系列笔记一  图形学概述与线性代数入门

  • 正交系

    • 三个单位向量

      $ ||\vec{u}|| = ||\vec{v}|| = ||\vec{w}|| = 1$

    • 两两垂直

    \(\vec{u}\cdot\vec{v} = \vec{v}\cdot\vec{w} = \vec{u}\cdot\vec{w}\)

    • 右手系

      \(\vec{w} = \vec{u}\times\vec{v}\)

    • 任何一个向量可以由这三个向量表示

      \(\vec{p} = (\vec{p}\cdot\vec{u})\vec{u} + (\vec{p}\cdot\vec{v})\vec{v} + (\vec{p}\cdot\vec{w})\vec{w}\)

      因为\(\vec{u}\ \vec{v}\ \vec{w}\) 都是单位向量,所以可以用 \(\vec{p}\) 在其上的投影乘以其本身来得到一个维度的分量。

  • 矩阵(Matrices)

    • 矩阵乘矩阵

      维度需满足:

      \((M\times N)(N\times P) = (M\times P)\)

      (3 2)(2 4)= (3 4)

    GAMES101系列笔记一  图形学概述与线性代数入门

    • 不符合交换律。但符合结合律和分配律。

      \((AB)C = A(BC)\)

      \(A(B+C) = AB + AC\)

      \((A+B)C = AC + BC\)

    • 矩阵向量乘

      按 \(y\) 轴镜像

      \(\begin{pmatrix}-1 & 0 \\ 0 & 1\end{pmatrix}\begin{pmatrix}x \\ y \end{pmatrix} = \begin{pmatrix}-x \\ y\end{pmatrix}\)

    • 矩阵的转置

      \((AB)^T = B^TA^T\)

    • 单位矩阵

      \(I_{3\times3} = \begin{pmatrix}1 & 0 & 0 \\ 0 & 1 & 0\\ 0 & 0 & 1\end{pmatrix}\)

      \(AA^{-1} = A^{-1}A = I;\quad (AB)^{-1} = B^{-1}A^{-1}\)

    • 向量乘法的矩阵形式

      \(\vec{a}\cdot\vec{b} = \vec{a}^T\vec{b}\)

      \(\vec{a}\times\vec{b} = \begin{pmatrix}y_az_b-y_bz_a \\ z_ax_b - x_az_b \\ x_ay_b-y_ax_b\end{pmatrix} = A^*b = \begin{pmatrix}0 & -z_a& y_a \\ z_a & 0 & -x_a \\ -y_a & x_a & 0\end{pmatrix}\)

上一篇:正则化 Regularization


下一篇:Solution Set -「ARC 107」