Real-Time-Rendering 矩阵（一）

最新推荐文章于 2025-06-17 14:17:22 发布

水落0无痕

最新推荐文章于 2025-06-17 14:17:22 发布

阅读量587

点赞数

CC 4.0 BY-SA版权

分类专栏： Real-TimeRendering 线性代数图形学

本文链接：https://blog.csdn.net/u012614432/article/details/90744516

Real-TimeRendering 同时被 3 个专栏收录

5 篇文章

订阅专栏

图形学

5 篇文章

订阅专栏

线性代数

4 篇文章

订阅专栏

本文深入探讨了矩阵在图形学中的应用，包括矩阵的基本概念、几何解释、行列式、逆矩阵及其在坐标变换中的作用。文章以《3D图形基础：图形与游戏开发》及《Real-Time-Rendering》为理论基础，适合对图形学感兴趣的读者。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

接下来就是矩阵了。图形学中矩阵作为最常用的工具涉及的知识点也非常多。本文以《3D图形基础：图形与游戏开发》及《Real-Time-Rendering》书中对矩阵的知识点的讲述为基础，先做一篇矩阵概述即基础知识。

一、矩阵的数学定义

矩阵一般用来描述两个坐标系统间的关系。通过定义一种运算将一个坐标系中的向量转换到另一个坐标系中。

行数和列数相同的矩阵称为方阵。而本文即后续主要讨论4x4一下的方阵。

方阵的对角线元素即元素的行号和列号相同的元素。其他元素为非对角线元素。如果所有非对角线元素都为0，则该矩阵称为对角矩阵。如：

$\begin{bmatrix} 1 & 0 & 0\\ 0 & 5 & 0\\ 0 & 0 & 6 \end{bmatrix}$

若一个对角矩阵的对角线元素皆为1，称为单元矩阵。如：

$\begin{bmatrix} 1 & 0 & 0\\ 0 & 1 & 0\\ 0 & 0 & 1 \end{bmatrix}$

矩阵的转置即该矩阵沿矩阵的对角线翻折，或使行向量变为列向量，列向量变为行向量。如：

$\begin{bmatrix} 1 & 2 & 3\\ 4 & 5 & 6\\ 7 & 8 & 9 \end{bmatrix} 转置后 \begin{bmatrix} 1 & 2 & 3\\ 4 & 5 & 6\\ 7 & 8 & 9 \end{bmatrix}$ 转置后为 $\begin{bmatrix} 1 & 4 & 7\\ 2 & 5 & 8\\ 3 & 6 & 9 \end{bmatrix}$ 。

矩阵的转置的转置为原矩阵。任意对角矩阵转置都与原矩阵相同。

矩阵与标量相乘即各元素与标量相乘。

矩阵与矩阵相乘。首先矩阵与矩阵相乘必须满足前者的列数等于后者的行数。如3x4的矩阵乘4x6的矩阵会得到3x6的新矩阵。矩阵相乘的公式如下，简单来说即结果矩阵中的任意元素Cij为矩阵A中第i行元素集合与矩阵B中第j行元素集合相乘后的和。

$\mathbf{c}_i_j = \sum_{k=1}^{n}\mathbf{a}_i_k\mathbf{b}_k_j$

矩阵乘法不满足交换律，但满足结合律。矩阵积的转置等同于各矩阵转置的反序乘积。

$(\mathbf{AB})^{T} = \mathbf{B}^{T}\mathbf{A}^{T}$

二、矩阵的几何解释

“不幸的是，没有人能告诉您矩阵像什么——您必须自己去感受”。引用黑客帝国的一句话。下面我们去感受下矩阵是什么。

一般来说，方阵可以描述任何向量的线性变化。如旋转、缩放、投影、镜像、仿射。

下面我们描述下向量通过矩阵的变换。

根据向量加法可以如下拆分一个向量：

$\mathbf{v} = [x\: y\: z]^{T} = [x\: 0\: 0]^{T} + [ 0\: y\: 0]^{T} + [0\: 0\:z]^{T}$

$\mathbf{v} = [x\: y\: z]^{T} = x[1\: 0\: 0]^{T} + y[ 0\: 1\: 0]^{T} + z[0\: 0\:1]^{T}$

将上式和3x3的单元矩阵与向量v相乘的运算相比较。很容易发现计算过程完全相同。

如果我们把如上指向+x、+y、+z方向的单位向量定义为p、q、r。那么向量v就被表示成向量p、q、r的线性变换了。向量p、q、r被称为基向量。然而一个坐标系可以用任意三个基向量定义。要求p、q、r不在一个平面即线性无关。已p、q、r构成3x3矩阵M。

$\mathbf{M} = [\mathbf{p}\: \mathbf{q}\: \mathbf{r}]^{T} = \begin{bmatrix} \mathbf{p}_{x} & \mathbf{p}_{y} &\mathbf{p}_{z} \\ \mathbf{q}_{x} & \mathbf{q}_{y} & \mathbf{q}_{z}\\ \mathbf{r}_{x} &\mathbf{r}_{y} &\mathbf{r}_{z} \end{bmatrix}$

将矩阵M与向量v相乘可得

$\begin{bmatrix} \mathbf{p}_{x} & \mathbf{p}_{y} &\mathbf{p}_{z} \\ \mathbf{q}_{x} & \mathbf{q}_{y} & \mathbf{q}_{z}\\ \mathbf{r}_{x} &\mathbf{r}_{y} &\mathbf{r}_{z} \end{bmatrix}[x\: y\: z]^{T} = \begin{bmatrix} x\mathbf{p}_{x} + y\mathbf{q}_{x} + z\mathbf{r}_{x}\\ x\mathbf{p}_{y} + y\mathbf{q}_{y} + z\mathbf{r}_{y}\\ x\mathbf{p}_{z} + y\mathbf{q}_{z} + z\mathbf{r}_{z} \end{bmatrix} = x\mathbf{p} + y\mathbf{q} + z\mathbf{r}$

在阐述下列定义前，我们需要先做一个约定。通过前面的学习我们知道矩阵相乘或矩阵与向量相乘不满足交换律。所以我们需要定义好向量表示的方法为列向量。因此当向量与矩阵相乘时需要左乘矩阵。这与unity常规的约定一致。

我们发现上式计算与前面计算转换后的v一致。引申出：

如果把矩阵的列解释为坐标系的基向量。那么左乘该矩阵就相当于执行了一次坐标转换。若有aM = b，我们可以说M将a转换到b。

这样我们就拥有一种反向构建矩阵的可能。即计算一个期望的变化（旋转、缩放等）后的坐标系的基向量。通过基向量获取矩阵！

三、矩阵的行列式

方阵M的行列式记作|M|。

2x2阶矩阵行列式定义：

$\left | \mathbf{M} \right | = \begin{vmatrix} m_{11} &m_{12} \\ m_{21} & m_{22} \end{vmatrix} = m_{11} m_{22} - m_{21} m_{22}$

3x3阶矩阵行列式定义：

$\left | \mathbf{M} \right | = \begin{vmatrix} m_{11} &m_{12} &m_{13} \\ m_{21}& m_{22} & m_{23}\\ m_{31} & m_{32} & m_{33} \end{vmatrix} = m_{11}m_{22}m_{33} + m_{12}m_{23}m_{31} + m_{13}m_{21}m_{32} - m_{13}m_{22}m_{31} - m_{12}m_{21}m_{33} - m_{11}m_{23}m_{32}$

对于任意矩阵。我们需要先引申两个概念：

假设矩阵M有r行c列。 $\mathbf{M}^{{ij}}$ 表示从M中除去第i行和第j列剩下的矩阵。称其为矩阵M的余子式。

对于方阵M，给定行、列元素的代数余子式等于相应余子式的有符号行列式。如下：

$c_{ij} = (-1)^{i+j}|\mathbf{M}^{ij}|$

通过代数余子式引申出矩阵的行列式公式：

首先从矩阵中任意选一行或一列，对该行或列的每个元素都乘以对应的代数余子式。这些乘积的和就是矩阵的行列式。如下就是分别选一行，如行i。或选一列，如列j。

$|\mathbf{M}| = \sum_{j = 1}^{n}m_{ij}c_{ij} = \sum_{j = 1}^{n}(-1)^{i+j}|\mathbf{M}^{ij}|$

$|\mathbf{M}| = \sum_{i = 1}^{n}m_{ij}c_{ij} = \sum_{i = 1}^{n}(-1)^{i+j}|\mathbf{M}^{ij}|$

例如我们算一个4x4矩阵的行列式。选取第一行。

$\begin{vmatrix} m_{11} & m_{12} & m_{13} & m_{14}\\ m_{21} & m_{22} & m_{23} & m_{24}\\ m_{31} & m_{32} & m_{33} & m_{34}\\ m_{41} & m_{42} & m_{43} & m_{44} \end{vmatrix} = m_{11}\begin{bmatrix} m_{22} & m_{23} & m_{24}\\ m_{32} & m_{33} & m_{34}\\ m_{42} & m_{43} & m_{44} \end{bmatrix} - m_{12}\begin{bmatrix} m_{21} & m_{23} & m_{24}\\ m_{31} & m_{33} & m_{34}\\ m_{41} & m_{43} & m_{44} \end{bmatrix}$

$+m_{13}\begin{bmatrix} m_{21} & m_{22} & m_{24}\\ m_{31} & m_{32} & m_{34}\\ m_{41} & m_{42} & m_{44} \end{bmatrix} - m_{14}\begin{bmatrix} m_{21} & m_{22} & m_{23}\\ m_{31} & m_{32} & m_{33}\\ m_{41} & m_{42} & m_{43} \end{bmatrix}$

再将3x3矩阵行列的运算公式带入即可。

显然高阶行列式计算的复杂度呈指数递增。我们可以使用“主元选择的计算方式”来优化对于高阶矩阵行列式计算的效率。

行列式有以下重要性质：

1.矩阵积的行列式等于矩阵行列式的积。

2.矩阵转置的行列式等于原矩阵行列式。

3.矩阵任意行或列全为0，则行列式为0,。

4.交换矩阵的任意两行或两列，行列式变负。

5.任意行或列的非零积加到另一行或列不会改变行列式的值。

四、矩阵的逆

方阵M的逆，记作 $\mathbf{M}^{-1}$ ，当两个矩阵相乘，结果为单位矩阵。即：

$\mathbf{M}(\mathbf{M}^{-1}) = \mathbf{M}^{-1} \mathbf{M} = \mathbf{I}$

并非所有矩阵都有逆。例如一个矩阵某行或列全为0，那么用该矩阵乘以任意矩阵都会得到零矩阵。我们称该矩阵可逆或非奇异。所以区分一个矩阵是否可逆或使非奇异矩阵，只需检测该矩阵的行列式是否为零。

M的标准伴随矩阵记作“adj M”。定义为M的所有代数余子式矩阵的转置矩阵。如：

$\mathbf{M} = \begin{bmatrix} 1 & 2 & 3\\ 4 & 5 & 6\\ 7 & 8 & 9 \end{bmatrix}$

分别计算M的代数余子式：

$c_{11} = +\begin{bmatrix} 5 & 6\\ 8 & 9 \end{bmatrix} = -3$ $c_{12} = +\begin{bmatrix} 4 & 6\\ 7 & 9 \end{bmatrix} = -6$ $c_{13} = +\begin{bmatrix} 4 & 5\\ 7 & 8 \end{bmatrix} = -3$

$c_{21} = +\begin{bmatrix} 2 & 3\\ 8 & 9 \end{bmatrix} = -6$ $c_{22} = +\begin{bmatrix} 1 & 3\\ 7 & 9 \end{bmatrix} = -12$ $c_{23} = +\begin{bmatrix} 1 & 2\\ 7 & 8 \end{bmatrix} = -6$

$c_{31} = +\begin{bmatrix} 2 & 3\\ 5 & 6 \end{bmatrix} = -3$ $c_{32} = +\begin{bmatrix} 1 & 3\\ 4 & 5 \end{bmatrix} = -7$ $c_{33} = +\begin{bmatrix} 1 & 2\\ 4 & 5 \end{bmatrix} = -3$

可得到M的伴随矩阵

$adj\mathbf{M} = \begin{bmatrix} c_{11} & c_{12} & c_{13}\\ c_{21} & c_{22} & c_{23}\\ c_{31} & c_{32} & c_{33} \end{bmatrix}^{T} = \begin{bmatrix} -3 & -6 & -3\\ -6 & -12 & -6\\ -3 & -7 & -3 \end{bmatrix}^{T}$