Games101 lecture4-lecture5 考虑将三位物体转换二维图像需要的步骤,我们需要以下变换来达成目的, model transformation(模型(基础)变换–Object就位) view/camera transformation(视图变换–调整相机) projection transformation(投影变换–变换到[−1,1]3[-1,1]^3[−1,1]3,忽略深度信息zzz,变成[−1,1]2[-1,1]^2[−1,1]2) viewport transformation(视口变换–投影到屏幕空间) 如下图所示(Fundamentals of Computer Graphics (3rd Edition) 7.1 Viewing Transformations Figure 7.2):
首先需要定义一个相机,一个相机有三个属性,位置(Positon)e\pmb{e}eee,观测方向(Look-at/ gaze direction)g\pmb{g}ggg和向上方向(Up direction)t\pmb{t}ttt。 同时只要相机和物体之间没有相对运动,观测结果就不会改变,则可以让相机固定在原点,向上方向为YYY方向,看向−Z-Z−Z方向,而这就需要通过变换矩阵MviewM_{view}Mview来自达成(需要注意的是物体也会随着相机移动而移动,因为要保证两者之间没有相对运动),该矩阵需要完成如下操作:
MviewM_{view}Mview先平移在旋转(和仿射变换不同),即Mview=RviewTviewM_{view}=R_{view}T_{view}Mview=RviewTview。 最后结果如下: Mview=RviewTview=[xgXtygXtzgXt0xtytzt0x−gy−gz−g00001][100−xe010−ye001−ze0001] M_{view}=R_{view}T_{view}=\begin{bmatrix} x_{gXt} &y_{gXt}&z_{gXt}&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_e\\ 0&0&1& -z_e\\ 0&0&0& 1\end{bmatrix} Mview=RviewTview=⎣⎢⎢⎡xgXtxtx−g0ygXtyty−g0zgXtztz−g00001⎦⎥⎥⎤⎣⎢⎢⎡100001000010−xe−ye−ze1⎦⎥⎥⎤
首先是平移到原点,可以很自然的写出其平移矩阵TviewT_{view}Tview如下: Tview=[100−xe010−ye001−ze0001] T_{view}=\begin{bmatrix} 1&0&0& -x_e\\ 0&1&0& -y_e\\ 0&0&1& -z_e\\ 0&0&0& 1\end{bmatrix} Tview=⎣⎢⎢⎡100001000010−xe−ye−ze1⎦⎥⎥⎤ 接着考虑旋转,将任意方向旋转到X,Y,−ZX,Y,-ZX,Y,−Z方向上不容易写出,但是可以考虑其逆变换,写出将X(1,0,0),Y(0,1,0),Z(0,0,1)X(1,0,0),Y(0,1,0),Z(0,0,1)X(1,0,0),Y(0,1,0),Z(0,0,1)旋转到{g\pmb{g}gggXt\pmb{t}ttt},t\pmb{t}ttt,−g\pmb{-g}−g−g−g的旋转矩阵Rview−1R_{view}^{-1}Rview−1,并且由于旋转矩阵是正交矩阵,所以只要写出Rview−1R_{view}^{-1}Rview−1,其转置矩阵即为所求,如下所示: Rview−1=[xgXtxtx−g0ygXtyty−g0zgXtztz−g00001] R_{view}^{-1}=\begin{bmatrix} x_{gXt} &x_t&x_{-g}&0\\ y_{gXt} &y_t&y_{-g}&0\\ z_{gXt} &z_t&z_{-g}&0\\ 0&0&0&1 \end{bmatrix} Rview−1=⎣⎢⎢⎡xgXtygXtzgXt0xtytzt0x−gy−gz−g00001⎦⎥⎥⎤ 可以通过将上述矩阵应用与三轴来检验其正确性。RviewR_{view}Rview如下所示: Rview=Rview(−1)(−1)=RviewT=[xgXtygXtzgXt0xtytzt0x−gy−gz−g00001] R_{view} = R_{view}^{(-1)(-1)}=R_{view}^T= \begin{bmatrix} x_{gXt} &y_{gXt}&z_{gXt}&0\\ x_t&y_t&z_t&0\\ x_{-g}&y_{-g}&z_{-g}&0\\ 0&0&0&1 \end{bmatrix} Rview=Rview(−1)(−1)=RviewT=⎣⎢⎢⎡xgXtxtx−g0ygXtyty−g0zgXtztz−g00001⎦⎥⎥⎤ 所以最终的MviewM_{view}Mview如开头所示。
投影变换目的就是将物体变换到[−1,1]3[-1,1]^3[−1,1]3。想要得到二维图像,可以去掉zzz,变成[−1,1]2[-1,1]^2[−1,1]2。变换分为两种,正交(orthographic)投影和透视(prespective)投影。透视投影存在近大远小的现象,而正交投影则不会,这是两者的本质区别,两者分别如下图所示: 图片来源:https://stackoverflow.com/questions/36573283/from-perspective-picture-to-orthographic-picture
上图中透视投影围成一个视锥(四棱锥),而视锥中从某一个深度到另一个深度之间的区域叫做frustumfrustumfrustum,而透视投影就是将frustumfrustumfrustum中的东西显示到近平面(NearNearNear clipclipclip planeplaneplane)上。
首先定义一个空间中的立方体(只需定义6个面,左右上下前后),[l,r][l,r][l,r]x[b,t][b,t][b,t]x[f,n][f,n][f,n],需要注意的是远平面(fff)和近平面(nnn),有n>f\pmb{n}>\pmb{f}nnn>fff因为看向−Z-Z−Z(右手系),所以物体越远则其对应的ZZZ的值越小,反之越大。如果是左手系则越远ZZZ越大,因为看向的+Z+Z+Z方向。然后将立方体中心平移到原点,并将其缩放成canonicalcanonicalcanonical(正则规范标准立方体) cube[−1,1]3cube [-1,1]^3cube[−1,1]3,忽略zzz,则变为[−1,1]2[-1,1]^2[−1,1]2。 如下图所示:
先将立方体中心(r+l2,t+b2,n+f2)(\frac{r+l}{2},\frac{t+b}{2},\frac{n+f}{2})(2r+l,2t+b,2n+f)平移到原点,然后缩放到[−1,1]3[-1,1]^3[−1,1]3(长宽高为222),这里的缩放其实就是将立方体的长宽高缩放为222,其变换矩阵MorthoM_{ortho}Mortho如下: Mortho=[2r−l00002t−b00002n−f00001][100−r+l2010−t+b2001−n+f20001]=[2r−l00−r+lr−l02t−b0−t+bt−b002n−f−n+fn−f0001] 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} Mortho=⎣⎢⎢⎡r−l20000t−b20000n−f200001⎦⎥⎥⎤⎣⎢⎢⎡100001000010−2r+l−2t+b−2n+f1⎦⎥⎥⎤=⎣⎢⎢⎡r−l20000t−b20000n−f20−r−lr+l−t−bt+b−n−fn+f1⎦⎥⎥⎤
透视投影的视锥定义只要定义两个东西1.垂直可视角度YYY 2.宽高比aspectaspectaspect,如下图所示:
从侧面观察,则近平面距离相机距离为∣n∣|n|∣n∣,如下图所示:
如下图所示:
先单独考虑挤压过程,我们需要找到一个矩阵来完成变换。 考虑下图,从视锥的侧面看,我们需要将(x,y,z)(x,y,z)(x,y,z)挤压到和近平面上点(x′,y′,z′)(x',y',z')(x′,y′,z′)一样的高度,考虑相似三角形,则有y′=nzyy'=\frac{n}{z}yy′=zny;同理(从上面看),对于xxx而言有x′=nzxx'=\frac{n}{z}xx′=znx。
需要注意的是,这里n,z\pmb{n},\pmb{z}nnn,zzz在图上表示的是距离原点的距离(负ZZZ方向),所以是个负数。
至此,已知挤压过程x,yx,yx,y的变换,zzz未知,将上述变换用齐次坐标,同时在基础变换中我们提到过对于齐次坐标而言,(x,y,z,w)T(w!=0)(x,y,z,w)^T(w!=0)(x,y,z,w)T(w!=0)表示的点即为(xw,yw,zw,1)T(\frac{x}{w},\frac{y}{w},\frac{z}{w},1)^T(wx,wy,wz,1)T。 所以有如下关系: Mpersp−>ortho[xyz1]=[nzxnzy?1]=同乘z[nxny?z] M_{persp->ortho}\begin{bmatrix} x\\y\\z\\1 \end{bmatrix}=\begin{bmatrix} \frac{n}{z}x \\ \frac{n}{z}y \\ ? \\1 \end{bmatrix}\stackrel{同乘z}{=}\begin{bmatrix} nx\\ny\\?\\z \end{bmatrix} Mpersp−>ortho⎣⎢⎢⎡xyz1⎦⎥⎥⎤=⎣⎢⎢⎡znxzny?1⎦⎥⎥⎤=同乘z⎣⎢⎢⎡nxny?z⎦⎥⎥⎤ 从中可以反推出Mpersp−>orthoM_{persp->ortho}Mpersp−>ortho如下: Mpersp−>ortho=[n0000n00????0010] M_{persp->ortho}=\begin{bmatrix} n&0&0&0 \\ 0&n&0&0 \\ ?&?&?&? \\ 0&0&1&0 \end{bmatrix} Mpersp−>ortho=⎣⎢⎢⎡n0?00n?000?100?0⎦⎥⎥⎤ 同时因为挤压过程中近平面点不变,远平面点ZZZ值不变。则对于一个近平面上点(x,y,n,1)T(x,y,n,1)^T(x,y,n,1)T(假设近平面上的zzz的值为nnn)。考虑齐次坐标中一个点可以有很多不同的表示,同理则有(x,y,n,1)T=同乘n(nx,ny,n2,n)T(x,y,n,1)^T\stackrel{同乘n}{=}(nx,ny,n^2,n)^T(x,y,n,1)T=同乘n(nx,ny,n2,n)T变换后是不变的。所以有如下关系: Mpersp−>ortho[xyn1]=[nxny?z]=[nxnyn2n] M_{persp->ortho}\begin{bmatrix} x\\y\\n\\1 \end{bmatrix}=\begin{bmatrix} nx\\ny\\?\\z \end{bmatrix}=\begin{bmatrix} nx\\ny\\n^2\\n \end{bmatrix} Mpersp−>ortho⎣⎢⎢⎡xyn1⎦⎥⎥⎤=⎣⎢⎢⎡nxny?z⎦⎥⎥⎤=⎣⎢⎢⎡nxnyn2n⎦⎥⎥⎤
则可以推出变换矩阵的第三行为(0,0,A,B)(0,0,A,B)(0,0,A,B),即有式子(1)(1)(1)如下: [00AB][xyn1]=n2(1) \begin{bmatrix} 0&0&A&B \end{bmatrix}\begin{bmatrix} x\\y\\n\\1 \end{bmatrix}=n^2\tag{1} [00AB]⎣⎢⎢⎡xyn1⎦⎥⎥⎤=n2(1)
再考虑fff平面中zzz不变,且中心点不变,则对于其中心点(0,0,f,1)(0,0,f,1)(0,0,f,1)(假设远平面上zzz值为fff)。则有如下关系式子(2)(2)(2): [00f1]=同乘f[00f2f]⇒[00AB][00f1]=[00f2f](2) \begin{bmatrix} 0\\0\\f\\1 \end{bmatrix}\stackrel{同乘f}{=}\begin{bmatrix} 0\\0\\f^2\\f \end{bmatrix}\Rightarrow\begin{bmatrix} 0&0&A&B \end{bmatrix}\begin{bmatrix} 0\\0\\f\\1 \end{bmatrix}=\begin{bmatrix} 0\\0\\f^2\\f \end{bmatrix}\tag{2} ⎣⎢⎢⎡00f1⎦⎥⎥⎤=同乘f⎣⎢⎢⎡00f2f⎦⎥⎥⎤⇒[00AB]⎣⎢⎢⎡00f1⎦⎥⎥⎤=⎣⎢⎢⎡00f2f⎦⎥⎥⎤(2) 由(1)(2)(1)(2)(1)(2)可得,如下结果 {An+B=n2Af+B=f2⇒{A=n+fB=−nf \begin{cases} An+B=n^2\\ Af+B=f^2 \end{cases}\Rightarrow\begin{cases} A=n+f\\ B=-nf \end{cases} {An+B=n2Af+B=f2⇒{A=n+fB=−nf 则有 Mpersp−>ortho=[n0000n0000n+f−nf0010] M_{persp->ortho}=\begin{bmatrix} n&0&0&0 \\ 0&n&0&0 \\ 0&0&n+f&-nf \\ 0&0&1&0 \end{bmatrix} Mpersp−>ortho=⎣⎢⎢⎡n0000n0000n+f100−nf0⎦⎥⎥⎤ 所以透视投影变换矩阵计算如下: Mpersp=MorthoMpersp−>ortho=[2nr−l0−r+lr−l002nt−b−t+bt−b000n+fn−f−2nfn−f0010] M_{persp}=M_{ortho}M_{persp->ortho}=\begin{bmatrix} \frac{2n}{r-l}&0&-\frac{r+l}{r-l}&0\\ 0&\frac{2n}{t-b}&-\frac{t+b}{t-b}&0\\ 0&0&\frac{n+f}{n-f}&-\frac{2nf}{n-f}\\ 0&0&1&0 \end{bmatrix} Mpersp=MorthoMpersp−>ortho=⎣⎢⎢⎡r−l2n0000t−b2n00−r−lr+l−t−bt+bn−fn+f100−n−f2nf0⎦⎥⎥⎤
在frustumfrustumfrustum中间任何一个位置,比如点(x,y,n+f2,1)T(x,y,\frac{n+f}{2},1)^T(x,y,2n+f,1)T,经过挤压之后(不做第二步正交)更加靠近远平面还是近平面?(远平面)
先将Mpersp−>orthoM_{persp->ortho}Mpersp−>ortho应用到该点上,如下: Mpersp−>ortho[xyn+f21]=[nxny(n+f)22−nfn+f2]=规范化,同除以n+f2[2nxn+f2nyn+fn+f−2nfn+f1] M_{persp->ortho}\begin{bmatrix} x\\y\\\frac{n+f}{2}\\1 \end{bmatrix}=\begin{bmatrix} nx\\ny\\ \frac{(n+f)^2}{2}-nf\\ \frac{n+f}{2} \end{bmatrix}\stackrel{规范化,同除以\frac{n+f}{2}}{=}\begin{bmatrix} \frac{2nx}{n+f}\\ \frac{2ny}{n+f} \\ n+f-\frac{2nf}{n+f}\\1 \end{bmatrix} Mpersp−>ortho⎣⎢⎢⎡xy2n+f1⎦⎥⎥⎤=⎣⎢⎢⎡nxny2(n+f)2−nf2n+f⎦⎥⎥⎤=规范化,同除以2n+f⎣⎢⎢⎢⎡n+f2nxn+f2nyn+f−n+f2nf1⎦⎥⎥⎥⎤
比较变换前后两点的ZZZ值大小,如下: n+f−2nfn+f−n+f2=n+f2−2nfn+f=(n+f)2−4nf2(n+f)=(n−f)22(n+f) \begin{aligned} n+f-\frac{2nf}{n+f}-\frac{n+f}{2} &= \frac{n+f}{2}-\frac{2nf}{n+f} \\ &= \frac{(n+f)^2-4nf}{2(n+f)}\\ &= \frac{(n-f)^2}{2(n+f)} \end{aligned} n+f−n+f2nf−2n+f=2n+f−n+f2nf=2(n+f)(n+f)2−4nf=2(n+f)(n−f)2
前面提到此时的n,fn,fn,f是个负数,所以有(n−f)2>0(n-f)^2>0(n−f)2>0,(n+f)<0(n+f)<0(n+f)<0,即更加靠近远平面。