跟着闫令琪老师的课程学习,总结自己学习到的知识点
课程网址GAMES101
B站课程地址GAMES101
课程资料百度网盘【提取码:0000】
计算机图形学是一门将模型转化到屏幕上图像的一门基础学科,主要分为:Rasterization(光栅化)、Curves and Meshes(几何表示)、Ray Trancing(光线追踪)、Animation/Simulation(动画和模拟)
图形学与计算机视觉的简单界限:
(1) 计算机视觉是将屏幕上的图片转化为模型的过程;
(2) 计算机图形学是一门将模型转化到屏幕上图像的一门基础学科。
每个类别的知识框架如下图:
点乘在图形学的应用
(1) 求两个向量之间的夹角:
$$\cos(\theta) = \frac{(\vec{a} \cdot \vec{b})}{\lVert a \lVert \lVert b \lVert}$$
可以判断两个向量的距离、分向量与判断向量前后
(2) 投影
一个向量在另一个向量上的投影
[1] 右手坐标系
右手坐标系
叉乘在图形学中的应用
(1) 判断一个向量在另一个向量的左右,叉乘为正(与右手方向一致),则为目标在自己右方,反之亦然;
(2) 在性质(1)的基础上,如果一个点在包围他的所有线的同一侧,那么可以说明该点在这个图形内,反之亦然。
(1) 矩阵A、B乘积的转置等于B的转置矩阵乘A的转置矩阵
\[(AB)^T=B^TA^T
\]
(2) 矩阵AB的逆等于B的逆乘A的逆
\[(AB)^{-1} = B^{-1}A^{-1}
\]
三维变化与二维变换矩阵类似
Scale:
\[S(s_x,s_y) =\begin{pmatrix}
s_x &0 &0\\
0 & s_y & 0 \\
0&0&1
\end{pmatrix}\]
Rotation:
\[R(\alpha) = \begin{pmatrix}
\cos\alpha& - \sin\alpha & 0 \\
\sin\alpha & \cos \alpha &0 \\
0&0&1
\end{pmatrix}\]
Translation:
\[T(t_x,t_y)=\begin{pmatrix}
1 & 0 & t_x \\
0 &1& t_y\\
0 &0& 1
\end{pmatrix}\]
矩阵变换把先变化的矩阵放到右边:矩阵运算是从右向左
留个坑,下周再填
Rodrigue's Rotation Formula: Raotation by angle \(\alpha\) around axis \(\vec{n}\)
\[R(\vec{n},\alpha)=cos(\alpha)I+(1-cos(\alpha))nn^{T}+\sin(\alpha)
\begin{matrix} \underbrace{
\begin{pmatrix}
0 & -n_z & n_y \\
n_z & 0 & -n_x \\
-n_y & n_x & 0
\end{pmatrix}
} \\ N\end{matrix}\]
In the formula
I :Identity matrix
最后乘积的结果是一个3*3的矩阵
引用博客:MVP变换
对模型进行模型变换时,需要注意坐标系是在世界坐标系原点。当绕模型中心进行变换时,首先要将模型的中心点移动到世界坐标系的原点,之后在进行模型变换,之后移回到原来的位置。
矩阵描述为:$$M=M_t^{-1} M_r M_s M_t$$
这个过程是将确定相机的位置:将相机的位置通过下面的过程移动到固定的点和方向。
(1) 相机的位置固定在世界坐标系的原点: \(\vec{e}\)
(2) 相机的朝向 \(-\vec{Z}\): \(\hat{g}\)
(3) 相机的向上方向\(\vec Y\): \(\hat t\)
基于上述过程,要求视图变换矩阵\(M_{view}\)分别求相机的平移矩阵\(T_{view}\)、旋转矩阵\(R_{view}\)
\[T_{view} = \begin{bmatrix}
1 & 0 & 0 & -x_{\vec{e}} \\
0 & 1 & 0 & -y_{\vec{e}} \\
0 & 0 & 1 & -z_{\vec{e}} \\
0 & 0 & 0 & 1
\end{bmatrix}\]
求旋转矩阵时,直接求相机旋转到原点的矩阵不容易求解,但求原点到相机位置的旋转矩阵容易求。
所以先求原点到相机的旋转矩阵:Z To \(-\hat{g}\)、Y To \(\hat{t}\)、最后保证\(\vec{X}\) To \((\hat g \times \hat t)\) 朝向的方向,原因是保证符合右手坐标系。
\[R_{view}^{-1}=\begin{bmatrix}
x_{\hat{g} \times \hat{t}}&x_{t}&x_{-g}&0\\
y_{\hat{g} \times \hat{t}}&x_{t}&y_{-g}&0\\
z_{\hat{g} \times \hat{t}}&x_{t}&z_{-g}&0\\
0&0&0&1
\end{bmatrix}\]
因为\(R_{view}^{-1}\)是正交矩阵,所以逆矩阵和旋转矩阵相同。
\[R_{view} =\begin{bmatrix}
x_{\hat{g} \times \hat{t}}&y_{\hat{g} \times \hat{t}}&z_{\hat{g} \times \hat{t}}&0\\
x_{t}&y_{t}&z_{t}&0\\
x_{-g}&y_{-g}&z_{-g}&0\\
0&0&0&1
\end{bmatrix}\]
所以
\[M_{view} = R_{view} T_{view}=
\begin{bmatrix}
x_{\hat{g} \times \hat{t}}&y_{\hat{g} \times \hat{t}}&z_{\hat{g} \times \hat{t}}&0\\
x_{t}&y_{t}&z_{t}&0\\
x_{-g}&y_{-g}&z_{-g}&0\\
0&0&0&1
\end{bmatrix}
\begin{bmatrix}
1 & 0 & 0 & -x_{\vec{e}} \\
0 & 1 & 0 & -y_{\vec{e}} \\
0 & 0 & 1 & -z_{\vec{e}} \\
0 & 0 & 0 & 1
\end{bmatrix}\]
个人理解投影变换的终极目的是让物体挤压在一个单位大小的平面(空间)内。原因先挖个坑。
简单理解就是将物体的忽略z坐标,将模型通过Scale To [-1,-1]^2平面内。
真正的操作:
(1) 移动模型的位置到原点
(2) 缩放模型到空间[-1,1]^3中
正视投影的光线可以看成是一个立方体,如上图。透视投影的光线可以看成一个视锥,如下图。
透视变换可以分为两个步骤进行:
(1) 将视锥挤压到立方体内\(M_{persp->ortho}\)
(2) 将挤压后的视锥进行正视投影变换$M_{ortho}
挤压时的变换矩阵\(M_{persp->ortho}=\begin{bmatrix}
n&0&0&0\\
0&n&0&0\\
0&0&n+f&-nf\\
0 & 0&1&0
\end{bmatrix}\)
所以投影变换矩阵
\[M_{proj}=M_{ortho}M_{persp->ortho}
\]
将经过MVP变换后得到的单位空间模型变换到屏幕上,屏幕左边是左下角为原点。
所以视口变换的矩阵
\[M_{viewport}=\begin{pmatrix}
\frac{width}{2}&0&0&\frac{width}{2}\\
0& \frac{height}{2}&0&\frac{height}{2}\\
0&0&1&0\\
0&0&0&1
\end{pmatrix}\]
主要是将已经经过视口变换的模型画在屏幕空间上。
主要过程有:
(1) 采样
(2) 判断像素中心的位置与三角形的关系
因为屏幕空间本身分辨率已经给出,所以像素点的数量也已经确认了,但是对我们可以通过以下方法提高效率,将可能有用的像素点选取出来:
1.Bounding Box
2.Incremental Triangle Traversal
主要应用的原理是利用向量的叉乘判断点是否在三角形内。
伪代码如下
for(int x =0 ;x<xmax;x++)
for(int y = 0;y<ymax;y++)
image[x][y]=inside(tri,x+0.5,y+0.5)
(1) Jaggies(Staircase Pattern)
原因:空间采样产生的锯齿
(2) Mpire
原因:图片欠采样
(3) Wagon Wheel Effect
原因:时间上采样产生
(1) 提高采样率:不实用
(2) 反走样
反锯齿的思路是先模糊,后采样,顺序不可以调换。
走样的原因:采样频率满足奈奎斯特采样定律,即采样频率高于二倍的最高频率。
频率图:越靠近中心点,表示的频率越低
滤波器的种类大致分为四类:
(1) 低通滤波:应用的效果是模糊
(2) 高通滤波:应用效果是提取边缘信息
(3) 带通滤波:也可以绘制出图像的边缘信息
时域卷积、频域相乘
时域卷积,频率图向两边拓展。
通过MSAA方法可以首先模糊的效果。
步骤如下:
(1) 将每个像素点再进行细分
(2) 判断一个像素点里有几个细分的点在三角形内
(3) 将像素点根据在三角星内部细分点不同程度的着色,表示已经模糊。
上述过程的流程图如下:
上述过程在频率上的过程相当于低通滤波
每个像素都有一个z值代表像素点的深度、z值越大,说明该点越远。
Z-Buffer 算法伪代码
Initalize depth buffer to \(\infty\)
for(each trangle T)
for(each sample(x,y,z) in T)
if(z<zbuffer[x,y]) //closeet samnple so far
zbuffer[x,y]=z; //update color
framebuffer[x,y]=rgb; //update depth
本周主要是完成光栅化的过程。其中比较重要的几个知识点:向量点乘和叉乘的几何意义、齐次坐标系下的矩阵变换、MVP变换、视口变换、光栅化、反走样、Z-Buffrer深度缓冲等等基础概念。
手机扫一扫
移动阅读更方便
你可能感兴趣的文章