Q1:为什么学习变换
模型变换
视觉变换
从三维空间变成二维展示的映射
Q2:二维的变换,把矩阵和变换联系起来
Scale(均匀缩放)
Scale(Non-Uniform)(不均匀缩放)
Reflection Matrix(反射矩阵)
Shear Matrix (切变)
怎么理解呢?拽着上面那条边,给往右拉
Rotate(旋转变换-二维)
在不说其他信息情况下,都绕着(0,0)为中心逆时针转
以下为旋转变换矩阵的推导过程,只推导了(1,0)点,(0,1)点同理可推
以上变换均为线性变换
Q3:Homogeneous coordinates(齐次坐标)
Translation(平移变换)
以上线性变换,并不能直接表示成ax+by这种线性变换,所以引入齐次坐标的概念,解决的事情就是不想让平移变换成为特例
齐次坐标时,为什么点最后是1,而向量最后是0?为了保证向量平移不变,一下为1,0的验证,经过一番操作后反应运算规则
一个点+另外一个点,表示的是两个点之间的中点
Affine Transformations(仿射变换)
以下为线性变换与非线性变换的齐次坐标表示
Inverse Transform(逆变换)
Composite Transform(组合变换)
- 复杂的变换可以通过简单的变化组合得到;
- 变换的顺序非常重要
因为矩阵满足结合律,可以从头到尾乘
把问题靠到可以解决的问题上