CG中的仿射(affine transformation)和法线

2019-12-25  本文已影响0人  绿风烟

Note

这是对MIT Foundation of 3D Computer Graphics第3章的翻译，本章讲解了仿射变换的基本概念，变换矩阵的由来以及分解、通用法线变换的推导等内容。本书内容仍在不断的学习中，因此本文内容会不断的改进。若有任何建议，请不吝赐教ninetymiles@icloud.com

注：文章中相关内容归原作者所有，翻译内容仅供学习参考。
另：Github项目CGLearning中拥有相关翻译的完整资料、内容整理、课程项目实现。

已经完成的章节

仿射（并行）（Affine）

3.1 点和帧（Points and Frames）

将点和矢量看作是两种不同的概念是有用的。点表示在几何世界中的某种固定位置，而矢量表示世界中两个点之间的运动。我们会使用两种不同的标记区分点和矢量。矢量\vec{v}会有一个箭头在顶部，而点\tilde{p}会有波浪线在顶部。

如果我们认为矢量表达两点之间的运动，那么矢量操作（加法和标量乘法）就有明确的意义。如果我们把两个矢量加起来，我们在表达两个运动的串接（concatenation）。如果我们用一个标量乘以矢量，我们就在通过某个因子增加或减少运动。零矢量（zero vector）为一个特别矢量，其代表没有运动。

这些操作对于点不会真正产生任何意义。把两个点加起来应该表示什么含义，比如说，哈佛广场加上剑桥肯德尔广场（这里是两个地点名称）是什么？一个点被一个标量相乘又指得什么？什么是北极点的7倍？是否存在一个零点（zero point）和其它点的行为不一样？

存在一种在两个点之间确实有意义的操作：减法。当我们从另一个点减去一个点，我们应该会得到从第二个点到第一个点路径之间的运动，
\tilde{p} - \tilde{q} = \vec{v}

反过来说，如果我们从一个点开始，然后移动一个矢量（位移），我们应该会到达另一个点。
\tilde{q} + \vec{v} = \tilde{p}

对一个点应用线性变换同样有意义。例如我们可以想象一个点围绕某个固定原点的旋转。而且平移点也是有意义的（但是这个概念对于矢量没有任何意义）。要表达平移，我们需要开发仿射变换（或并行变换 affine transformation）的概念。要完成这个任务，我们借助4 \times 4矩阵。这些矩阵不仅对于处理本章的仿射（并行）变换很方便，而且对于描述（随后在第十章会看到的）相机投射变换也是很有帮助。

3.1.1 帧（Frames）

在仿射空间（affine space）中，我们描述任何点\tilde{p}首先从某个原点\tilde{o}开始，然后给其加上一个矢量的线性组合。这些矢量使用坐标c_i和一个矢量基（basis of vectors）来表示。

\tilde{p} = \tilde{o} + \sum_i c_i\vec{b}_i = \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} = \vec{\mathbf{f}}^t\mathbf{c}
此处1\tilde{o}被定义为\tilde{o}。

而下面这行表达
\begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} = \vec{\mathbf{f}}^t
被称为一个仿射帧（affine space）；它就像一个基（basis），但是由3个矢量和一个点组成。

为了借助一个帧指定一个点，我们使用拥有4个条目（entries）的4部件坐标矢量（coordinate 4-vector），其中最后一个条目总为1。要借助一个帧表达一个矢量，我们使用一个让0作为第4坐标的坐标矢量（也就是说，它只是基矢量之和）。当我们建模针孔相机的行为时，要表达几何形状（还有4 \times 4矩阵），4部件坐标矢量的使用都会很便利。

3.2 仿射变换和4\times4矩阵（Affine transformations and Four by Four Matrices）

相似于线性变换的情形，我们想要通过在一个4部件坐标矢量和一个帧之间放置一个合适的矩阵的形式，来定义出仿射变换的概念。

让我们将仿射矩阵定义为一个如下形式的4 \times 4矩阵
\begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1 \end{bmatrix}

然后我们对一个点\tilde{p} = \vec{\mathbf{f}}^t\mathbf{c}应用仿射变换如下
\begin{array}{rl} & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \\ \Rightarrow & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \end{array}

或者简写为
\vec{\mathbf{f}}^t\mathbf{c} \Rightarrow \vec{\mathbf{f}}^tA\mathbf{c}

我们可以验证上面表达的第二行描述了一个有效的点，因为乘法
\begin{bmatrix} x' \\ y' \\ z' \\ 1 \end{bmatrix} = \begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1\end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix}
给出了我们一个带有1作为第4条目的4部件坐标矢量。另一方面，我们也能够看到乘法
\begin{bmatrix} \vec{b}_1' & \vec{b}_2' & \vec{b}_3' & \tilde{o} \end{bmatrix} = \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1 \end{bmatrix}
此处0\tilde{o}被定义为\vec{0}，给出了一个由3个矢量和一个原点组成的有效帧。

同时也要注意到，如果矩阵的最后一行不是[0,0,0,1]这种形式，变换就通常给出一个无效的结果。

类似于线性变换的情形，我们可以针对一个帧应用仿射变换（affine transformation）为
\begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \Rightarrow \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix}\begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1 \end{bmatrix}

或者简写为
\vec{\mathbf{f}}^t \Rightarrow \vec{\mathbf{f}}^tA

3.3 对点应用线性变换（Applying Linear Transformations to Points）

假如我们有一个表达线性变换的3\times3矩阵。我们可以将其嵌入4\times4矩阵的左上方角落，并且借助这个更大的矩阵对一个点（或者帧）应用变换。
\begin{array}{rl} & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \\ \Rightarrow & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} a & b & c & 0 \\ e & f & g & 0 \\ i & j & k & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \end{array}

这个变换在c_i上拥有相同效果，就如之前其所参与的线性变换。如果我们把点\tilde{p}当作从原点\tilde{o}偏移矢量\vec{v}，我们就明白这个变换和应用线性变换到偏移矢量上具有相同效果。因而，以例子来说，如果3\times3矩阵为旋转矩阵，这个变换将围绕原点旋转这个点（参考图示\text{Figure 3.1}）。正如下面我们将在第4章中看到的，当对一个点应用一个线性变换，帧的原点位置扮演了一个重要的角色。

我们借助下列缩写用于描述一个4\times4矩阵，其只是应用了一个线性变换。
L= \begin{bmatrix}l & 0 \\ 0 & 1\end{bmatrix}
此处L是一个4\times4矩阵，l是一个3\times3矩阵，右上角的0代表3\times1由0组成的矩阵，右下角的1是一个标量(scalar)。

Figure3.1.png
Figure 3.1: 对一个点应用线性变换。可以通过应用线性变换到始于原点的偏移矢量上来完成。

3.4 平移（Translations）

可以对点应用平移变换是很有用的。这种变换不是线性的（参考课后练习6)。仿射变换的主要新威力就是在线性变换之上表达平移的能力。实际上，如果我们应用变换
\begin{array}{rl} & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \\ \Rightarrow & \begin{bmatrix} \vec{b}_1 & \vec{b}_2 & \vec{b}_3 & \tilde{o} \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 & t_x \\ 0 & 1 & 0 & t_y \\ 0 & 0 & 1 & t_z \\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} c_1 \\ c_2 \\ c_3 \\ 1 \end{bmatrix} \end{array}

我们看到变换在坐标上的效果为
\begin{array}{rcl} c_1 & \Rightarrow & c_1 + t_x \\ c_2 & \Rightarrow & c_2 + t_y \\ c_3 & \Rightarrow & c_3 + t_z \end{array}

针对平移，我们使用简写
T= \begin{bmatrix} i & t \\ 0 & 1 \end{bmatrix}

此处T为 一个4\times4矩阵，i为一个3\times3同一矩阵（identity matrix），右上角的t为一个表达平移的3\times3矩阵，左下角的0表示一个由0组成的1\times3矩阵，右下角的1为一个变量。

注意如果\mathbf{c}在第4坐标中为0，如此就表达了一个矢量而不是一个点，从而不会被平移所影响。

3.5 汇总（Putting Them Together）

任何仿射矩阵（affine matrix）都可以被分解为线性部分和平移部分。
\begin{bmatrix} a & b & c & d \\ e & f & g & h \\ i & j & k & l \\ 0 & 0 & 0 & 1 \end{bmatrix} = \begin{bmatrix} a & b & c & 0 \\ e & f & g & 0 \\ i & j & k & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 & d \\ 0 & 1 & 0 & h \\ 0 & 0 & 1 & l \\ 0 & 0 & 0 & 1 \end{bmatrix}

或者简写为
\begin{bmatrix} l & t \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} i & t \\ 0 & 1 \end{bmatrix} \begin{bmatrix} l & 0 \\ 0 & 1\end{bmatrix} \tag{3.1}
A = TL \qquad\quad \tag{3.2}

注意因为矩阵乘法不是可互换顺序的，乘法TL中的顺序很关键。一个仿射矩阵（affine matrix）也可以借助一个不同的平移矩阵T'被分解为A=LT'（线性部分是不会发生变化的），但是我们不会使用这种形式。

如果L，A的线性部分，是一个旋转，我们把这种形式记作
A=TR \tag{3.3} \qquad\quad

在这种情形中，我们称A矩阵为刚体矩阵(rigid body matrix)，它所对应的变化，刚体变换（rigid body transform），简称RBT。刚体变换保留了矢量之间的点积（dot product），基的手（螺旋）性（handedness），还有点之间的距离。

3.6 法线（Normals）

在计算机图形学中，我们经常借助表面法线确定一个表面点如何被着色。所以当表面点经历由矩阵A表示的仿射变换时，我们需要懂得表面法线是如何变换的。

你可能猜测我们只要用矩阵A乘以法线的坐标就可以了。例如，如果我们旋转几何形状，法线会以完全相同的方式旋转。但是事实上使用矩阵A不总是正确的。例如在图示\text{Figure 3.2}中，我们顺着y轴挤压一个球体。在这种情形中，实际的法线变换会顺着y轴拉伸而不是挤压。在这里我们要推导出可以应用在所有情形中的正确变换。

Figure3.2.png
Figure 3.2: 左侧：蓝色的形状拥有以黑色表示的法线。中间：现在在轴方向上被缩小同时（未标准化的）法线在轴方向被拉伸。右侧：法线被重新标准化从而给出被挤压形状的正确的单位法线。

让我们定义位于点上平滑表面的法线为一个矢量，这个矢量正交于那个点表面的切线平面。切线平面是矢量平面，这个矢量平面通过临近的（距离无限小地）表面点之间的减法来定义，所以，针对法线\vec{n}和两个非常接近的点\tilde{p}_1和\tilde{p}_2，我们有如下表达。
\vec{n}.(\tilde{p}_1 - \tilde{p}_2) = 0

在某种固定的正交标准化坐标系中，这可以被表达为
\begin{bmatrix} nx & ny & nz & * \end{bmatrix} \left( \begin{bmatrix} x1 \\ y1 \\ z1 \\ 1 \end{bmatrix} - \begin{bmatrix} x0 \\ y0 \\ z0 \\ 1 \end{bmatrix} \right) = 0 \tag{3.4}
在这个公式中我们在前面的插槽中使用'*'是因为它被0乘，从而和结果不相关。

假设存在一个由仿射矩阵A表示的仿射变换，我们把这个变换应用到所有的点上。什么矢量会和任意的切线矢量保持正交状态？让我们重写方程式(3.4)为
（\begin{bmatrix} nx & ny & nz & * \end{bmatrix}A^{-1})(A \left( \begin{bmatrix} x1 \\ y1 \\ z1 \\ 1 \end{bmatrix} - \begin{bmatrix} x0 \\ y0 \\ z0 \\ 1 \end{bmatrix} \right)) = 0

如果我们定义[x',y',z',1]^t=A[x,y,z,1]^t为被变换点的坐标，同时让[nx',ny',nz',*]=[nx,ny,nz,*]A^{-1}，那么我们就得到如下表达
（\begin{bmatrix} nx' & ny' & nz' & * \end{bmatrix})( \left( \begin{bmatrix} x1' \\ y1' \\ z1' \\ 1 \end{bmatrix} - \begin{bmatrix} x0' \\ y0' \\ z0' \\ 1 \end{bmatrix} \right)) = 0

并且我们看到[nx',ny',nz']^t是被变换的几何体法线的坐标（要依靠伸缩变换来获得标准态）。

注意因为我们不关注'*'值，因而我们不需要关注A^{-1}的第四列。同时，因为A是一个仿射矩阵（affine matrix），所以A^{-1}也是，进而剩下三列的第四行全部是0，从而可以安全地被忽略。因而，参考简写方式
A= \begin{bmatrix} l & t \\ 0 & 1 \end{bmatrix}

我们可以得到这种关系
\begin{bmatrix} nx' & ny' & nz' \end{bmatrix} = \begin{bmatrix} nx & ny & nz \end{bmatrix}l^{-1}

此时调换整个表达式，我们就获得最终表达式
\begin{bmatrix} nx' \\ ny' \\ nz' \end{bmatrix} = l^{-t}\begin{bmatrix} nx \\ ny \\ nz \end{bmatrix}
此处l^{-t}是3\times3矩阵的反转加调换（等价于调换加反转）。注意如果l为一个旋转矩阵，且这个矩阵是正交标准化的，那么它的反转加调换事实上仍然是l。在这种情形中法线的坐标表现的就像点的坐标一样。然而对于其它线性变换，法线的表现就不相同了。（参考图示\text{Figure 3.2}。）同时也要注意到A的平移部分对法线没有影响。

上一篇下一篇

猜你喜欢

热点阅读