计算机图形学——Games101深度解析_第一章

Artemis Lee

于 2025-07-16 11:19:25 发布

阅读量10

点赞数

写在前面

关于Games101深度解析参考了很多佬的文章，并且加上了自己的理解。主要感觉games101课程里面还有很多由于时间原因都没讲的很详细，略过了很多，所以我对于课程中困难的知识点进行了更多的步骤思路解释，希望能对正在学习这篇课程的后者提供更清晰的思路。

本文建议配上games101视频以及games101网站中的PDF配合学习https://sites.cs.ucsb.edu/~lingqi/teaching/games101.html

这一章含有大量线代的几何知识，对于线代的几何理解可以跳到这学习（一步一步看完基本上就没有太大的问题了）：https://www.bilibili.com/video/BV1Ys411k7yQ/?spm_id_from=333.337.search-card.all.click&vd_source=93699bcffa78a7a266992d3b23c6dc20
这一章由于知识点都较为简单，所以看起来会很杂，但是后面从第二章开始就开始有章法了。刚开始的数学基础知识就不再提了，我们从线代在图形学的应用开始。

参考文章：
https://zhuanlan.zhihu.com/p/394932478
https://iewug.github.io/book/GAMES101.html#2-3d-transformation
https://sites.cs.ucsb.edu/~lingqi/teaching/games101.html
https://caterpillarstudygroup.github.io/GAMES101_mdbook/index.html

向量叉乘的应用

上图中，判断p是否在三角形ABC的内侧，只用将p点与ABC三点相连接，然后再分别叉乘三个边，看结果的符号是否一致，若一致，那么就在内侧，反之亦然。
比如AP叉乘AB，然后BP叉乘BC，然后CP叉乘CA，他们的符号都是一致的，则P就在三角形的里面

指令矩阵在图形学的应用

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

上面的矩阵做的就是：在二维里面，我们把整个图形以y轴为对称轴做一个对称图形。
那么我们y轴就不用变，把x的数都换个符号就行。上面不止是指令矩阵的角度，线性变换也是这个角度。

几种变换

根据上面的内容我们就可以得到下面的效果

缩放矩阵
拉伸变换
旋转变换

平移变换
我们前面看了这么多变换都是基于原点的变换，但是如果是下面的这个变换（平移）我们该怎么表示呢？

我们这个时候就发现了，我们常规的矩阵往往都只能表示一个向量，但是我们明白，向量平移是不会改变什么的，常规矩阵就是没有办法去表示平移这个动作。
这个时候我们就引入一个新的东西：齐次坐标（homogeneous coordinates）

齐次坐标是用N+1个数来表示N维坐标的一种方式。

要制作二维齐次坐标，我们只需在现有坐标中增加一个额外的变量w，这个w并不代表更高维度的一个坐标，简单说就是表示这里的（x,y）是一个向量或者是一个点。
因此，笛卡尔坐标中的一点，(X，Y)在齐次坐标中就变成了(x，y，w)。在w=1的时候，齐次坐标就是一个点，而w=0的时候，齐次坐标表示的就是一个向量。而笛卡儿坐标中的X和Y在齐次坐标中的x、y和w则重新表达为（这里把所有的坐标都除了一个 $w$ ,这样 $w$ 的值就必定是1，那就是一个向量）

\begin{align} X = x/w\\ Y = y/w\\ \end{align}

那怎么应用到实际的平移中呢，就是以下的变换。这样的变换成功表示了每一个平移的点，而且直观的有了一个平移的指令矩阵

\begin{bmatrix} x' \\ y' \\ w' \end{bmatrix} = \begin{bmatrix} 1 & 0 & t_x \\ 0 & 1 & t_y \\ 0 & 0 & 1 \end{bmatrix} \cdot \begin{bmatrix} x \\ y \\ 1 \end{bmatrix} = \begin{bmatrix} x + t_x \\ y + t_y \\ 1 \end{bmatrix}

欧氏空间中数学证明：两条平行线可以相交

考虑以下欧氏空间的线性系统。

\begin{cases} Ax + By + C = 0 \\ Ax + By + D = 0 \end{cases}

而我们知道，由于 $\neq D$ ，所以上述方程没有解。如果 $C = D$ ，那么两条线是相同的（重叠的）。
让我们重写投影空间的方程，将 $x$ 和 $y$ 分别替换为 $x / w$ ， $y / w$ 。

\begin{cases} A\frac{x}{w} + B\frac{y}{w} + C = 0 \\ A\frac{x}{w} + B\frac{y}{w} + D = 0 \end{cases} \Rightarrow \begin{cases} Ax + By + Cw = 0 \\ Ax + By + Dw = 0 \end{cases}

现在，我们有一个解，(x, y, 0)，因为 (C-D)w = 0，所以 w = 0。因此，两条平行线在 (x, y, 0) 处相交。
(x, y, 0) 在几何上代表一条没有起点与终点，也没有长度的射线，它只有方向。

点与向量的加减

vector + vector = vector
point - point = vector
point + vector = vector
point + point = 两点的中点 (因为 $x_1,y_1,1)$ + $x_2,y_2,1)$ = $x_1+x_2,y_1+y_2,2)$ = $(\frac{x_1+x_2}{2},\frac{y_1+y_2}{2},1)$ ）)

仿射变换

\begin{pmatrix}x' \\y'\end{pmatrix}=\begin{pmatrix}a & b \\c & d\end{pmatrix}\cdot\begin{pmatrix}x \\y\end{pmatrix}+\begin{pmatrix}t_x \\t_y\end{pmatrix}

像这样线性变换之后加上平移量的变换叫做放射变换
所有的放射变换都可以写成齐次坐标的形式

\begin{pmatrix} x' \\ y' \\ 1 \end{pmatrix} = \begin{pmatrix} a & b & t_x \\ c & d & t_y \\ 0 & 0 & 1 \end{pmatrix} \cdot \begin{pmatrix} x \\ y \\ 1 \end{pmatrix}

[!danger]
注意: 在上面的变换中我们能够发现，是先线性变换再进行平移的

缩放矩阵

\mathbf{S}(s_x, s_y) = \begin{pmatrix} s_x & 0 & 0 \\ 0 & s_y & 0 \\ 0 & 0 & 1 \end{pmatrix}

旋转矩阵

\mathbf{R}(\alpha) = \begin{pmatrix} \cos \alpha & -\sin \alpha & 0 \\ \sin \alpha & \cos \alpha & 0 \\ 0 & 0 & 1 \end{pmatrix}

平移矩阵：

\mathbf{T}(t_x, t_y) = \begin{pmatrix} 1 & 0 & t_x \\ 0 & 1 & t_y \\ 0 & 0 & 1 \end{pmatrix}

逆变换

[!note]
逆变换刚好对应矩阵中：一个矩阵 x 该矩阵的逆矩阵 = 单位矩阵（什么都没做）

值得注意的是，如果旋转负角度，我们就能发现:

[!note]
旋转矩阵的逆矩阵就是旋转矩阵的转置矩阵： ${R_\alpha}^T={R_\alpha}^{-1}$

[!note] 如果一个矩阵的逆等于他的转置，那么我们称此矩阵为正交矩阵

$\mathbf{R}(\alpha) = \begin{pmatrix}\cos \alpha & -\sin \alpha \\\sin \alpha & \cos \alpha \\\end{pmatrix}$ $\mathbf{R}(-\alpha) = \begin{pmatrix}\cos \alpha & \sin \alpha \\-\sin \alpha & \cos \alpha \\\end{pmatrix} ={R_\alpha}^T={R_\alpha}^{-1}$