当前位置: 首页 > news >正文

数学公式测试

MVP变换

MVP变换用来描述视图变换的任务,即将虚拟世界中的三维物体映射(变换)到二维坐标中。

MVP变换分为三步:

  • 模型变换(model tranformation):将模型空间转换到世界空间(找个好的地方,把所有人集合在一起,摆个pose)
  • 摄像机变换(view tranformation):将世界空间转换到观察空间(找到一个放相机的位置,往某一个角度去看)
  • 投影变换(projection tranformation):将观察空间转换到裁剪空间(茄子!)

在这之后,还有一个#视口变换

视图变换(View)

视图变换的目的是变换Camera位置到原点,上方为Y,观察方向为-Z,即

M v i e w = R v i e w T v i e w = [ x g ^ × t ^ y g ^ × t ^ z g ^ × t ^ 0 x t y t z t 0 x − g y g z − g 0 0 0 0 1 ] [ 1 0 0 − x e 0 1 0 − y c 0 0 1 − z c 0 0 0 1 ] \begin{align} M_{view}&=R_{view}T_{view}\\ &=\begin{bmatrix} x_{\hat{g}\times\hat{t}}& y_{\hat{g}\times\hat{t}}& z_{\hat{g}\times\hat{t}}& 0\\ x_{t}& y_{t}& z_{t}& 0\\ x_{-g}& y_{g}& z_{-g}& 0\\ 0& 0& 0& 1 \end{bmatrix} \begin{bmatrix}1& 0& 0& -x_{e}\\ 0& 1& 0& -y_{c}\\ 0& 0& 1& -z_{c}\\ 0& 0& 0& 1\end{bmatrix} \end{align} Mview=RviewTview= xg^×t^xtxg0yg^×t^ytyg0zg^×t^ztzg00001 100001000010xeyczc1
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
定义Camera:

  • Camera位置 e ⃗ \vec{e} e
  • 观察方向 g ^ \hat{g} g^
  • 视点上方向 t ^ \hat{t} t^

规定:

  • Camera的y轴正方向向上,z轴方向是 − x ⃗ × y ⃗ -\vec{x}\times \vec{y} x ×y (右手系)
  • 对物体进行运动,摄像机会跟随着一起运动保持相对位置不变。

变换Camera位置到原点,上方为Y,观察方向为-Z:

  1. e ⃗ \vec{e} e 移动到标准位置: T v i e w = [ 1 0 0 − x e 0 1 0 − y c 0 0 1 − z c 0 0 0 1 ] T_{view}=\begin{bmatrix}1& 0& 0& -x_{e}\\ 0& 1& 0& -y_{c}\\ 0& 0& 1& -z_{c}\\ 0& 0& 0& 1\end{bmatrix} Tview= 100001000010xeyczc1 (因为朝原点移动,所以为负)
  2. 旋转 g ^ \hat{g} g^到-Z , t ⃗ \vec{t} t Y g ^ × t ⃗ \hat{g}\times\vec{t} g^×t X R v i e w = [ x g ^ × t ^ y g ^ × t ^ z g ^ × t ^ 0 x t y t z t 0 x − g y g z − g 0 0 0 0 1 ] R_{view}=\begin{bmatrix}x_{\hat{g}\times\hat{t}}& y_{\hat{g}\times\hat{t}}& z_{\hat{g}\times\hat{t}}& 0\\ x_{t}& y_{t}& z_{t}& 0\\x_{-g}& y_{g}& z_{-g}& 0\\ 0& 0& 0& 1\end{bmatrix} Rview= xg^×t^xtxg0yg^×t^ytyg0zg^×t^ztzg00001

推导:这个过程是旋转X g ^ × t ^ \hat{g}\times\hat{t} g^×t^Y t ^ \hat{t} t^Z − g ^ -\hat{g} g^的逆过程。所以 R v i e w R_{view} Rview是这个逆过程的逆矩阵(正交矩阵的逆是转置矩阵):外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

模型变换和视图变换经常被一起叫作模型视图变换(ModelView Translation)

投影变换(Projection)

投影变换分为两种:

  • 正交投影变换:透视线平行
  • 透视投影变换:透视线相交,近大远小

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

正交投影

M o r t h o = [ 2 r − l 0 0 0 0 2 t − b 0 0 0 0 2 n − f 0 0 0 0 1 ] [ 1 0 0 − r + L 2 0 1 0 − t + b 2 0 0 1 − n + f 2 0 0 0 1 ] = [ 2 r − l 0 0 − r + l r − l 0 2 t − b 0 − t + b t − b 0 0 2 n − f − n + f n − f 0 0 0 1 ] \begin{align} M_{ortho}&=\begin{bmatrix}\frac{2}{r-l}& 0& 0& 0\\ 0& \frac{2}{t-b}& 0& 0\\ 0& 0& \frac{2}{n-f}& 0\\ 0& 0& 0& 1\end{bmatrix} \begin{bmatrix}1& 0& 0& -\frac{r+L}{2}\\ 0& 1& 0& -\frac{t+b}{2}\\ 0& 0& 1& -\frac{n+f}{2}\\ 0& 0& 0& 1\end{bmatrix}\\\\ &=\begin{bmatrix}\frac{2}{r-l}& 0& 0& -\frac{r+l}{r-l}\\ 0& \frac{2}{t-b}& 0& -\frac{t+b}{t-b}\\ 0& 0& \frac{2}{n-f}& -\frac{n+f}{n-f}\\ 0& 0& 0& 1\end{bmatrix} \end{align} Mortho= rl20000tb20000nf200001 1000010000102r+L2t+b2n+f1 = rl20000tb20000nf20rlr+ltbt+bnfn+f1

正交投影的核心:用一个立方体框住物体的 [ l , r ] × [ b , t ] × [ f , n ] [l,r]\times[b,t]\times[f,n] [l,r]×[b,t]×[f,n],把这个立方体变换到标准正方体 [ − 1 , 1 ] 3 [-1,1]^{3} [1,1]3中。

变换顺序:先移动(中点移动到原点),再缩放(基向量缩放比例为 2 长 / 宽 / 高 \frac{2}{长/宽/高} //2 )。
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

注意事项:

  • 右手系:n>f
  • OpenGl是左手系

透视投影

M p e r = M o r t h o M p e r s p → − o r t h o = [ 2 r − l 0 0 − r + l r − l 0 2 t − b 0 − t + b t − b 0 0 2 n − f − n + f n − f 0 0 0 1 ] [ n 0 0 0 0 n 0 0 0 0 n + f − n f 0 0 1 0 ] = [ 2 n r − l 0 l + r l − r 0 0 2 n t − b b + t b − t 0 0 0 f + n n − f 2 f n f − n 0 0 1 0 ] \begin{align} M_{per}&=M_{ortho}M_{persp\rightarrow -ortho}\\\\ &=\begin{bmatrix}\frac{2}{r-l}& 0& 0& -\frac{r+l}{r-l}\\ 0& \frac{2}{t-b}& 0& -\frac{t+b}{t-b}\\ 0& 0& \frac{2}{n-f}& -\frac{n+f}{n-f}\\ 0& 0& 0& 1\end{bmatrix}\begin{bmatrix}n& 0& 0& 0\\ 0& n& 0& 0\\ 0& 0& n+f& -nf\\ 0& 0& 1& 0\end{bmatrix}\\\\ &=\begin{bmatrix}\frac{2n}{r-l}& 0&\frac{l+r}{l-r}& 0\\ 0& \frac{2n}{t-b}& \frac{b+t}{b-t}& 0\\ 0& 0& \frac{f+n}{n-f}& \frac{2fn}{f-n}\\ 0& 0& 1& 0\end{bmatrix} \end{align} Mper=MorthoMpersportho= rl20000tb20000nf20rlr+ltbt+bnfn+f1 n0000n0000n+f100nf0 = rl2n0000tb2n00lrl+rbtb+tnff+n100fn2fn0

透视投影的核心:用“远平面”和“近平面”框住物体,先把“远平面”向“近平面“挤压,然后做一次正交投影。
即透视投影分为两步:

  • 将透视投影转化为正交投影
  • 将正交投影转换到正则立方体

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

研究挤压:

规定:

  • 挤压过程中,近平面和远平面的z值不发生变换(中间要发生变化)
  • 挤压过程中,远平面中心原点 ( x , y ) T (x,y)^{T} (x,y)T不发生变化

挤压过程中的x,y变化的比例关系:
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
x同理。
y ′ = n z y , x ′ = n z x y' = \frac{n}{z}y,~~x'=\frac{n}{z}x y=zny,  x=znx

用齐次坐标描述任一点的坐标变换:
[ x y z 1 ] → [ n x / z n y / z u n k n o w n 1 ] = [ n x n y z ⋅ u n k o w n z ] \begin{align} \begin{bmatrix}x\\ y\\ z\\ 1\end{bmatrix}\rightarrow \begin{bmatrix} nx/z\\ ny/z\\ unknown\\ 1\end{bmatrix}=\begin{bmatrix}nx\\ ny\\ z\cdot unkown\\ z\end{bmatrix} \end{align} xyz1 nx/zny/zunknown1 = nxnyzunkownz

把这个变换用齐次坐标矩阵表示:
M ( 4 × 4 ) [ x y z 1 ] = = [ n x n y z ⋅ u n k o w n z ] M(4\times 4)\begin{bmatrix}x\\ y\\ z\\ 1\end{bmatrix}==\begin{bmatrix}nx\\ ny\\ z\cdot unkown\\ z\end{bmatrix} M(4×4) xyz1 == nxnyzunkownz

根据矩阵乘法,可以写出M的大致形式:
M = [ n 0 0 0 0 n 0 0 ? ? ? ? 0 0 1 0 ] M=\begin{bmatrix}n& 0& 0& 0\\ 0& n& 0& 0\\ ?& ?& ?& ?\\ 0& 0& 1& 0\end{bmatrix} M= n0?00n?000?100?0

代入上面提到的两种点:

  • 近平面或远平面上的任一点(令 u n k n o w n = n , z = n unknown=n,z=n unknown=n,z=n): M [ x y n 1 ] = [ n x n y n 2 n ] M\begin{bmatrix}x\\ y\\ n\\ 1\end{bmatrix}=\begin{bmatrix}nx\\ ny\\ n^{2}\\ n\end{bmatrix} M xyn1 = nxnyn2n 根据矩阵乘法行操作: M 第三行 [ x y n 1 ] = n 2 M第三行\begin{bmatrix}x\\ y\\ n\\ 1\end{bmatrix}=n^{2} M第三行 xyn1 =n2 因为不涉及旋转,所以第三行与x,y无关。 [ 0 0 A B ] [ x y n 1 ] = n 2 \begin{bmatrix}0& 0& A& B\end{bmatrix}\begin{bmatrix}x\\ y\\ n \\ 1\end{bmatrix}=n^{2} [00AB] xyn1 =n2 即: A n + B = n 2 An+B=n^{2} An+B=n2
  • 远平面的原点(令 x = 0 , y = 0 , z = f x=0,y=0,z=f x=0,y=0,z=f): [ 0 0 f 1 ] → [ 0 0 f 2 f ] \begin{bmatrix}0\\ 0\\ f\\ 1\end{bmatrix} \rightarrow \begin{bmatrix}0\\ 0\\ f^{2}\\ f\end{bmatrix} 00f1 00f2f 同理可得: A f + B = f 2 Af+B=f^{2} Af+B=f2

综上所述,
A = n + f B = − n f A=n+f B=-nf A=n+fB=nf

求得变换矩阵为:
M p e r s p → − o r t h o = [ n 0 0 0 0 n 0 0 0 0 n + f − n f 0 0 1 0 ] M_{persp\rightarrow -ortho}=\begin{bmatrix}n& 0& 0& 0\\ 0& n& 0& 0\\ 0& 0& n+f& -nf\\ 0& 0& 1& 0\end{bmatrix} Mpersportho= n0000n0000n+f100nf0

得到透视投影矩阵为:
M p e r = M o r t h o M p e r s p → − o r t h o = [ 2 r − l 0 0 − r + l r − l 0 2 t − b 0 − t + b t − b 0 0 2 n − f − n + f n − f 0 0 0 1 ] [ n 0 0 0 0 n 0 0 0 0 n + f − n f 0 0 1 0 ] = [ 2 n r − l 0 l + r l − r 0 0 2 n t − b b + t b − t 0 0 0 f + n n − f 2 f n f − n 0 0 1 0 ] \begin{align} M_{per}&=M_{ortho}M_{persp\rightarrow -ortho}\\\\ &=\begin{bmatrix}\frac{2}{r-l}& 0& 0& -\frac{r+l}{r-l}\\ 0& \frac{2}{t-b}& 0& -\frac{t+b}{t-b}\\ 0& 0& \frac{2}{n-f}& -\frac{n+f}{n-f}\\ 0& 0& 0& 1\end{bmatrix}\begin{bmatrix}n& 0& 0& 0\\ 0& n& 0& 0\\ 0& 0& n+f& -nf\\ 0& 0& 1& 0\end{bmatrix}\\\\ &=\begin{bmatrix}\frac{2n}{r-l}& 0&\frac{l+r}{l-r}& 0\\ 0& \frac{2n}{t-b}& \frac{b+t}{b-t}& 0\\ 0& 0& \frac{f+n}{n-f}& \frac{2fn}{f-n}\\ 0& 0& 1& 0\end{bmatrix} \end{align} Mper=MorthoMpersportho= rl20000tb20000nf20rlr+ltbt+bnfn+f1 n0000n0000n+f100nf0 = rl2n0000tb2n00lrl+rbtb+tnff+n100fn2fn0

视口变换

视口变换
将处于标准平面映射到屏幕分辨率范围之内,即[-1,1]^2->[0,width]*[0,height], 其中width和height指屏幕分辨率大小

视锥

视锥表示看起来像顶部切割后平行于底部的金字塔的实体形状。这是透视摄像机可以看到和渲染的区域的形状。
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
定义视锥:

  • 长宽比 Aspect
  • 垂直的角度 FovY

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

利用视锥得到物体长宽高:
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

屏幕(Screen)

  • 二维数组,数组元素为像素
  • 典型的光栅成像设备

光栅(Raster)

  • 德语中的屏幕
  • 画在屏幕上

像素(Pixel <- PIcture element)

  • 像素是一个颜色均匀的小正方形
  • 颜色混合而成(红、绿、蓝)

屏幕空间

认为屏幕左下角是原点,向右是x,向上是y
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
规定:

  • 像素坐标(Pixel’s indices)是(x, y)形式,x, y都是整数。
  • 所有的像素都在(0, 0)到(width-1, height-1)之间
  • 像素的中心:(x+0.5, y+0.5)
  • 整个屏幕覆盖(0,0)to(width,height)

视口变换

要做的事情:
先不考虑z轴,把MVP后处于标准立方体 [ − 1 , 1 ] 3 [-1,1]^{3} [1,1]3映射到屏幕上。即
[ − 1 , 1 ] 2 → [ 0 , w i d t h ] × [ 0 , h e i g h t ] [-1, 1]^{2}\rightarrow [0,width]\times [0,height] [1,1]2[0,width]×[0,height]

总结:把虚拟世界的任意可视物体转换到屏幕:
M = M v i e w M p e r M c a m M m o d e l M=M_{view}M_{per}M_{cam}M_{model} M=MviewMperMcamMmodel

http://www.lryc.cn/news/175159.html

相关文章:

  • 机器学习——SVM(支持向量机)
  • 【李沐深度学习笔记】基础优化方法
  • tmux 配置vim风格按键,支持gbk编码
  • Python —— excel文件操作(超详细)
  • 什么是AI问答机器人?它的应用场景有哪些?
  • 静态文件
  • Centos7 自部署中间件开机启动,以及java应用开机启动方法
  • 密度估计公式
  • 2023 ICPC 网络赛 第一场(补题:F)
  • MySQL慢查询优化、日志收集定位排查、慢查询sql分析
  • HZOJ-266:表达式计算
  • JavaScript学习小结
  • MySQL学习笔记13
  • 怎么获取外网ip地址
  • 算法 只出现一次的两个数字-(哈希+异或)
  • 外卖霸王餐小程序、H5、公众号版外卖系统源码
  • amlogic 机顶盒关闭DLNA 后,手机还能搜到盒子
  • @Autowire、@Recourse用啥?
  • [linux] 过滤警告⚠️
  • Linux必备操作系统命令大全
  • 【rtp】VideoTimingExtension 扩展的解析和写入
  • 网络安全CTF比赛有哪些事?——《CTF那些事儿》告诉你
  • Winform直接与Wpf交互
  • Uni-app 调用微信地图导航功能【有图】
  • Golang slice 通过growslice调用nextslicecap计算扩容
  • HTTP 协商缓存 Last-Modified,If-Modified-Since
  • 零基础教程:Yolov5模型改进-添加13种注意力机制
  • vue截取地址参数
  • ubuntu 14.04更新GCC版本
  • AndroidUtil - 强大易用的安卓工具类库