开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

将3D多边形转换为2D，执行裁剪，然后转换回3D

将3D多边形转换为2D，执行裁剪，然后再转换回3D是一个在计算机图形学中常见的操作，用于在屏幕上显示3D对象。下面是对这个问题的完善且全面的答案：

概念：将3D多边形转换为2D，执行裁剪，然后转换回3D是指将三维空间中的多边形对象转换为二维平面上的投影，进行裁剪操作后再将结果转换回三维空间。
分类：这个过程可以分为以下几个步骤： a. 透视投影：将三维空间中的物体投影到二维平面上，以模拟人眼观察物体的效果。 b. 裁剪：根据视口的大小和位置，将超出视口范围的部分进行裁剪，以提高渲染效率。 c. 逆透视投影：将裁剪后的二维图像重新映射到三维空间中，以还原物体的形状和位置。
优势：将3D多边形转换为2D，执行裁剪，然后转换回3D的优势包括： a. 显示效果：通过透视投影和裁剪，可以实现更真实的三维物体显示效果。 b. 渲染性能：裁剪可以排除视口外的部分，减少需要渲染的图形数量，提高渲染性能。 c. 交互体验：将3D物体转换为2D投影后，可以进行交互操作，如点击、拖拽等。
应用场景：将3D多边形转换为2D，执行裁剪，然后转换回3D的应用场景包括但不限于： a. 游戏开发：在游戏中将三维模型投影到屏幕上进行显示和交互。 b. 虚拟现实（VR）和增强现实（AR）：将虚拟场景或增强内容与现实世界进行融合显示。 c. 计算机辅助设计（CAD）：将三维模型转换为二维图像进行设计和分析。 d. 可视化数据分析：将复杂的三维数据转换为二维图像进行可视化展示和分析。
腾讯云相关产品：腾讯云提供了一系列与云计算和图形处理相关的产品和服务，以下是一些推荐的产品和产品介绍链接地址： a. 腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm b. 腾讯云云数据库MySQL版：https://cloud.tencent.com/product/cdb_mysql c. 腾讯云云原生容器服务（TKE）：https://cloud.tencent.com/product/tke d. 腾讯云音视频处理（MPS）：https://cloud.tencent.com/product/mps e. 腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai f. 腾讯云物联网平台（IoT）：https://cloud.tencent.com/product/iotexplorer g. 腾讯云移动开发平台（MTP）：https://cloud.tencent.com/product/mtp h. 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos i. 腾讯云区块链服务（BCS）：https://cloud.tencent.com/product/bcs j. 腾讯云虚拟专用网络（VPC）：https://cloud.tencent.com/product/vpc

请注意，以上链接仅供参考，具体产品选择应根据实际需求进行评估和决策。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

一款具备SAM大模型AI分割，功能强大的地理数据生产编辑查看工具 Geobuilding

· 它能加载和维护海量点/线/面数据· 它能设计GIS场景下的三维漫游· 它能设计GIS场景下的三维模型管理，模型定位/3D点序列· 它能导出支持属性映射的第三方数据格式· 它能导出成GeoJSON、ShapeFile...它能导出丰富的建筑物数据· 它的用户主要来自政府、企业、高校、设计院等机构，数据完全本地化· 它同样可作为GIS数据标注来使用出色的傻瓜化的轮廓绘制能力，绘制精美的轮廓自由绘制、矩形绘制、自由多直角边绘制、正多边形绘制...双GIS驱动，左侧2D右侧3D。更直观的交互操作方式。轻松创建无缝地理网格，极简图像配准工具将JPG图像矢量化提供方便的剪刀裁剪工具，像裁纸一样生产网格数据。...属性值可以自动设置要素填充色支持自定义属性字段映射，完美对接第三方业务系统丰富的GIS数据导出可导出为geojson shapefile osm svg格式OSM格式快速贴图转城市模型osm转城市模型支持更大数据量维护大数据量的加载...编辑删除上海市60w+建筑物按轮廓裁剪支持在GIS场景下三维漫游设计生产的GIS数据有更多的玩法，你可以在软件中自定义漫游路线，漫游镜头设计。

3821 0

Google发布Objectron数据集

然而，由于与2D任务（例如ImageNet，COCO和Open Images）相比，因为缺少大型真实数据集，所以了解3D对象仍然是一项具有挑战性的任务。...在移动设备上运行的3D对象检测解决方案的示例结果与以前发布的单阶段Objectron模型相反，这些最新版本使用两级架构。第一阶段采用TensorFlow对象检测模型来查找实体的2D裁剪。...然后，第二阶段使用图像裁剪来估计3D边框，同时为下一帧计算实体的2D裁剪，因此实体检测器不需要运行每个帧。第二阶段3D边框预测器在Adreno 650移动GPU上以83 FPS运行。 ?...我们提出了一种算法，可为通用三维面向盒计算准确的3D IoU值。首先，我们使用Sutherland-Hodgman多边形裁剪算法计算两个盒子的面之间的交点。这类似于用于计算机图形学的视锥剔除技术。...使用多边形裁剪算法计算并集的三维交点(左):通过对方框裁剪多边形计算每个面的交点。右:通过计算所有交点的凸包计算交点的体积(绿色)。

7993 0

自动驾驶：Lidar 3D传感器点云数据和2D图像数据的融合标注

相机数据本质上是2D的，它不提供对象的距离。尽管可以使用摄像头传感器的焦距和光圈来近似物体的深度，但是由于在将摄像头传感器将3D场景捕获到2D平面上时会固有地丢失信息，因此无法精确定位。...随后，激光雷达的每一帧图像将被转换回世界坐标系统。摄像机矩阵M1, M2, M3, M4, M5, M6将从每个摄像机坐标系统C1, C2, C3, C4, C5, C6转换回世界坐标系统W1。...将3D点云数据转换为世界坐标系通过与自我框架平移和旋转矩阵相乘，激光雷达参考系（L1）中的每个框架都将转换回世界坐标系。...从世界坐标系转换为相机坐标系下一步是通过与摄影机旋转和平移矩阵相乘，将数据从世界参照系转换为摄影机参照系。...从3D相机坐标系转换为2D相机框一旦数据进入相机参考框架，就需要将其从3D相机参考框架投影到2D相机传感器平面。这是通过与相机固有矩阵相乘来实现的。

3.1K2 1

3D图形渲染技术

Z轴的坐标系但是在2D的屏幕坐标上不可能有XYZ立体的坐标轴所以需要图形算法负责把3D坐标“拍平”显示到2D屏幕上，这个叫做3D投影将3D的点转换为2D的点之后，再用之前链接2D点的方法去连接这些点...，然后就可以得到这个3D的2D坐标了如果用光去找一个3D的物体的时候，用一个平面去展示投影，当转动3D物体的时候，投影会看起来像3D物体，尽管投影面是平面。...电脑也是这样去做的将3D转成2D。...首先屏幕就是一个2D的投影平面，根据投射的算法就可以将3D转成2D的坐标正交投影立方体的各个边在投影中互相平行，可以说利用数学将3D转换成了2D的坐标系正交投影是一种平行投影，类似用一束平行光把物体的影像垂直地投射到地面上...图像需要填充步骤：先铺上一层像素网络扫描线算法，先会去读取多边形的三个点，找出最大和最小的Y值，然后只在这两个点之间进行工作然后算法从上往下，一次处理一行，计算每一行和多边形相交的两个点

1.7K2 0

一文读懂深度学习中的各种卷积！！

2、3D 卷积在上一节的解释中，我们看到的实际上是对一个3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

2941 0

【DL】一文读懂深度学习中的N种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

6452 0

一文读懂深度学习中的N种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

9232 0

卷积有多少种？一文读懂深度学习中的各种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

7442 0

一文读懂深度学习中的N种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

7590 0

一文读懂 12种卷积方法

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

8763 0

再谈“卷积”的各种核心设计思想，值得一看！

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

1.1K4 0

卷积有多少种？一文读懂深度学习的各种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

9252 0

【DL】一文读懂深度学习中的N种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

7401 0

卷积有多少种？一文读懂深度学习的各种卷积

二、3D 卷积在上一节的解释中，我们看到我们实际上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。...它将输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 ?...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...卷积的矩阵乘法：将 Small 输入图像（2×2）转换为 Large 输出图像（4×4）这里可以看到，我们执行了从小图像到大图像的上采样。这正是我们想要实现的目标。现在。...后者是将数据集分成多个批次，然后分开训练每一批。但是，当批量大小变得过小时，我们本质上是执行随机梯度下降，而非批梯度下降。这会造成更慢，有时候更差的收敛结果。

9064 1

万字长文带你看尽深度学习中的各种卷积网络

标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层。 3.3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...如果我们执行 N 次这样的 1 x 1 卷积，然后将这些结果结合起来，我们能得到一个维度为 H x W x N 的输出层。 ?...它将输入也压平为 16 x 1 矩阵，之后将卷积核转换为一个稀疏矩阵 (4 x 16)，接着在稀疏矩阵和压平的输入间执行矩阵乘法运算，最终得出的矩阵（4 x 1）转换回 2 x 2 的输出。 ?...模型并行化被认为比数据并行化更佳，后者将数据集进行拆分，然后对每一批数据进行训练。不过，当每批数据的大小过小时，我们执行的工作基本上是随机的，而不是批量梯度下降。...在将这些特征映射喂养到第二个分组卷积之前，先将每个组中的通道拆分为几个小组，然后再混合这些小组。 ? 通道混洗经过这种混洗，我们再接着如常执行第二个分组卷积 GConv2。

7913 0

EmguCV 常用函数功能说明「建议收藏」

Dct，执行1D或2D浮点数组的向前或反向变换。脱色，将彩色图像转换为灰度图像。这是一个基本的数字打印工具，风格化的黑白照片渲染，以及许多单通道图像处理应用。...该函数将图像转换为CIELAB颜色空间，然后使用fastNlMeansDenoising函数分别使用给定的h参数去噪L和AB分量。 FillConvexPoly，填充凸多边形内部。...PerspectiveTransform（IInputArray，IOutputArray，IInputArray）将src的每个元素（通过将其视为2D或3D向量）转换为以下方式：（x，y，z） – >...打印的文字被ROI矩形裁剪。不属于指定字体的符号将被替换为矩形符号。 PyrDown，执行高斯金字塔分解的下采样步骤。...ReprojectImageTo3D，将1通道视差图转换为3通道图像，3D表面。调整大小，调整图像src的大小或达到指定的大小。

3.5K2 0

万字长文带你看尽深度学习中的各种卷积网络

标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层。 3.3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...如果我们执行 N 次这样的 1 x 1 卷积，然后将这些结果结合起来，我们能得到一个维度为 H x W x N 的输出层。 ?...它将输入也压平为 16 x 1 矩阵，之后将卷积核转换为一个稀疏矩阵 (4 x 16)，接着在稀疏矩阵和压平的输入间执行矩阵乘法运算，最终得出的矩阵（4 x 1）转换回 2 x 2 的输出。 ?...模型并行化被认为比数据并行化更佳，后者将数据集进行拆分，然后对每一批数据进行训练。不过，当每批数据的大小过小时，我们执行的工作基本上是随机的，而不是批量梯度下降。...在将这些特征映射喂养到第二个分组卷积之前，先将每个组中的通道拆分为几个小组，然后再混合这些小组。 ? 通道混洗经过这种混洗，我们再接着如常执行第二个分组卷积 GConv2。

6601 0

深度学习中的12种卷积网络，万字长文一文看尽

标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层 0 3 3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...如果我们执行 N 次这样的 1 x 1 卷积，然后将这些结果结合起来，我们能得到一个维度为 H x W x N 的输出层。...它将输入也压平为 16 x 1 矩阵，之后将卷积核转换为一个稀疏矩阵 (4 x 16)，接着在稀疏矩阵和压平的输入间执行矩阵乘法运算，最终得出的矩阵（4 x 1）转换回 2 x 2 的输出。...模型并行化被认为比数据并行化更佳，后者将数据集进行拆分，然后对每一批数据进行训练。不过，当每批数据的大小过小时，我们执行的工作基本上是随机的，而不是批量梯度下降。...在将这些特征映射喂养到第二个分组卷积之前，先将每个组中的通道拆分为几个小组，然后再混合这些小组。通道混洗经过这种混洗，我们再接着如常执行第二个分组卷积 GConv2。

1.6K2 0

OpenGL投影矩阵

概览(Overview) 电脑显示屏是一个2D平面,为了能够在这个2D平面上显示OpenGL渲染的3D场景,我们必须将3D场景当作2D图像投影到这个2D平面(计算机屏幕)上.GL_PROJECTION...矩阵就是用来做这种投影变换的.首先,该矩阵将所有观察空间的顶点坐标变换到裁剪空间,接着,将变换后的顶点坐标(即裁剪坐标)的每个分量(x,y,z,w)(x,y,z,w)(x,y,z,w)除以坐标的 www...接着, 如果发生了裁剪, OpenGL 会重新构建发生裁剪的多边形边缘....然后,我们将 xpx_pxp 和 ypy_pyp 的表达式代入上面的等式. ? ?...所有观察空间的 xex_exe, yey_eye 和 zez_eze 分量都被线性的映射到 NDC 中,我们要做的就是将长方体(观察空间)缩放成一个立方体(NDC),然后将其移动到原点位置.我们马上来算一下

1.7K0 0

游戏开发中的进阶向量数学

游戏开发中的进阶向量数学飞机到飞机的距离远离原点以2D方式构建平面飞机的一些例子 3D碰撞检测更多信息飞机点积具有带有单位向量的另一个有趣的属性。...例如：对于3D数学，Godot提供了Plane 内置类型来处理。基本上，N和D可以表示空间中的任何平面，无论是2D还是3D（取决于N的维数），并且两者的数学公式相同。...您可能想知道非凸多边形会发生什么。通常可以通过将凹面多边形拆分为较小的凸面多边形，或使用诸如BSP（如今已不多使用）之类的技术来处理。 3D碰撞检测这是另外一个奖励，是对耐心和遵守本篇教程的奖励。...这可能不是直接用例（Godot已经很好地进行了碰撞检测），但是几乎所有物理引擎和碰撞检测库都在使用它：）还记得将2D中的凸形转换为2D平面数组对于碰撞检测很有用吗？...您可以检测点是否在任何凸形形状内，或者两个2D凸形形状是否重叠。好吧，这也适用于3D，如果两个3D多面体形状发生碰撞，您将无法找到分离平面。如果找到分离平面，则形状绝对不会碰撞。

8664 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭