【UnityShader入门精要学习笔记】第四章（2）点和向量

发布时间：2024年01月09日

在这里插入图片描述
本系列为作者学习UnityShader入门精要而作的笔记，内容将包括：

书本中句子照抄 + 个人批注
项目源码
一堆新手会犯的错误
潜在的太监断更，有始无终

总之适用于同样开始学习Shader的同学们进行有取舍的参考。

文章目录

复习
点和向量
向量运算
练习题

（该系列笔记中大多数都会复习前文的知识，特别是前文知识非常重要的时候，这是为了巩固记忆，诸位可以直接通过目录跳转）

复习

知识点复习

上节我们学习了笛卡尔坐标系（正交坐标系）。笛卡尔坐标系中包含了以下要素：

原点，它是整个坐标系的中心，我们以0坐标代表该点
n维笛卡尔坐标系中的n个轴都是两两正交的，例如三维笛卡尔坐标系中xy，xz，yz都互相垂直。

我们以每条轴箭头指向的方向为正方向，反向为负方向。以正方向上的单位长度称为基向量（或者基底，或者标准正交基）。

（在三维软件中，我们喜欢以红色直线代表x轴，绿色直线代表y轴，蓝色直线代表z轴）

左右手坐标系

在这里插入图片描述
在三维坐标系中，有两种不同的坐标系——左手坐标系和右手坐标系，判断坐标系是哪种的方法就是如上图所示，伸出左手（右手），大拇指指向x轴正方向，食指指向y轴正方向，中指指向z轴正方向，如果其中任意两轴方向对齐，而另一条轴方向相反，证明不是当前手的坐标系。

如果两个坐标系都是左手(右手）坐标系的话，那么这两个坐标系经过一系列旋转一定是可以重合的，这种性质被我们称为旋向性 。

在这里插入图片描述
在左手坐标系中，判断旋转正方向的方法是左手法则（右手坐标系中则是右手法则）。判断方法是，手虚握坐标轴，大拇指指向正方向，四指弯曲方向就是旋转正方向。

我们之所以要引入坐标系，其根本目的就是为了在空间中描述某个点的位置。而在Unity等等三维软件中，我们固定了一个唯一的初始坐标，才能够统一的描述这个三维软件的空间内的所有物体。

Unity中的坐标系

Unity中，对于模型空间和世界空间，Unity使用的是左手坐标系。

在这里插入图片描述

而对于观察空间来说，Unity使用的是右手坐标系。简单来说就是以摄像机为原点的坐标系，再这个坐标系中，摄像机的镜头方向是z轴的负方向（也就是z轴的正方向实际上是从屏幕指向屏幕前的你），这与模型空间和世界空间中的定义相反，z轴的减少意味着场景深度的增加。

上章节练习题答案

伸出左手，大拇指指向右方，食指指向前方，发现中指指向下方，和题中坐标系不重合，证明该坐标系是右手坐标系。
如下图所示：

左边是一个左手坐标系，右边是一个右手坐标系，我们先找到对应的（0，0，1）点，然后按题目要求绕y轴旋转。其中左手坐标系的旋转方向用左手法则发现正方向是绕y轴顺时针，右手坐标系的旋转方向则用右手法则发现正方向是绕y轴逆时针。因此进行相应旋转，旋转90°后点落在x轴上。二者答案都为（1，0，0）。

在上图中画出的两个坐标系，虽然点的坐标是相同的，但如果将两坐标系原点重合（置于同一空间下），并用左手坐标系来统一描述两点的坐标（忽略右手坐标系的z轴）。那么点1坐标为（1，0，0），点2坐标则为（-1，0，0），如下图4.51所示：
在这里插入图片描述

在这里插入图片描述
（上图4.50虽然两点重合在了同一坐标，但两个坐标系并不在同一空间，因为z轴的正方向不一致）

如图所示：

小球相对于摄像机的深度值为10，而根据视锥方向可知，小球目前在摄像机的镜头前向，而该方向实际上是观察空间的z轴的反方向（从屏幕到屏幕前的人的方向为正方向），因此小球在观察空间的坐标应为（0，1，-10），z值为-10。
而在以摄像机为坐标建立的模型空间下，由于模型空间是左手坐标系，因此用左手对准上图中的x，y轴，发现两个坐标系重合（当然了，因为unity中的坐标系就是左手坐标系嘛），因此确定小球在摄像机的模型空间下的坐标为（0，0，10），因此z值为10。

点和向量

定义

点（point） 是n维空间中的一个位置，它没有大小，宽度这些概念。一个空间是由无数的点构成的，我们可以用任意点的坐标描述物体在该空间中的位置。在二维，三维笛卡尔坐标系中，我们用实数来表示点的坐标，例如 $P=(P_x,P_y)$ ， $P=(P_x,P_y,P_z)$

向量（vector，或者矢量，但我建议还是叫做向量）。几何定义上讲，向量是n维空间中包含了模长（magnitude） 和方向（direction） 的有向线段 。向量与标量（scalar） 要作区分：标量只有模长，没有方向。

对于向量的表示，我们可以使用 $\bold v =(a,b)$ 来表示【实际上我更喜欢用数学的方式 $\overrightarrow v=(a,b)$ 来表示，用箭头更能表示它是有方向的】

其中，a，b代表了其在对应的轴方向上的长度（以坐标系的基向量为单位长度）。

与书中有所不同，接下来我会用小写字母 $a ， b ， x ， y ， z$ 表示标量
用带箭头的字母 $\overrightarrow v , \overrightarrow a, \overrightarrow b$ 表示向量
用大写字母 $A ， B ， C ， D$ 等表示矩阵
在这里插入图片描述

如上图所示，一个向量通常由一个箭头表示，我们以箭头方向称为向量的头，另一端称为向量的尾。在坐标系（线性代数）中，以原点为尾，指向的坐标点为头。

（注意，此处我不建议大家看书中原作者对向量的解释，原作者的解释大多是从物理角度出发，但是学习线性代数，我们需要从数学的视角，从数字上和几何上理解向量，因此我依然推荐大家去看b3b1的线性代数的本质 - 01 - 向量究竟是什么？）

原作者说向量可以表示相对于某个点的偏移，因此可以在空间中移动。但是线性代数中不要随便移动一个向量，向量一定以原点为尾，指向的坐标点为头。因为 $\overrightarrow v=(a,b)$ 向量是以原点为起点，坐标系的基底为单位长度来描述该向量相对于原点的偏移，因此我们不能随意改变它在坐标系中的位置。

在这里插入图片描述

只有在进行向量计算的时候，我们才允许向量移动，将一个向量的头部或尾部对齐到其他向量的头部上。但是最终结果得到的向量，依然是原点为尾，指向的坐标点为头的向量

点和向量的区别

在这里插入图片描述

还是看上图，如果我们把点和向量放在同一个坐标系下，我们会发现二者虽然数学上的表示方式一样，但是在空间上，向量是从原点出发，指向目标点的。也就是说任何一个点都可以由一个向量表示。

那么点和向量区别在哪呢？虽然二者都可以用（x，y）来表示，但是注意，向量之所以用这种方式来表示，是因为我们默认它的尾部为原点。实际上应该是(x-0,y-0)。向量的表示实际是两个点之间坐标的差值（顶部点减去尾部点）。

如果我们用矩阵的方式来表示向量：例如 $\overrightarrow v = \begin{bmatrix}x\\ y\end{bmatrix}$ 。那么实际上表示的是 $\overrightarrow v = \begin{bmatrix}x \hat i\\ y\hat j\end{bmatrix}$ 。 $(\hat i,\hat j)$ 就是当前向量的基向量，对应在这个笛卡尔坐标系下就是x正向上的单位长度，和y正向上的单位长度。

那么如果我们任意改变x和y的值？这样的话，其实意味着对基向量的任意拉伸组合，最终我们可以得到的向量将遍布整个二维空间，我们将其称为基向量所组成的张成空间（span space） 。

在这里插入图片描述

如果用向量来遍布整个空间，实在太过拥挤，最终我们会用向量的终点来表示这个向量，因此，向量就表示为了点。

去看线性代数的本质！

好吧，看书中的这些文字其实不如去复习一遍线性代数的本质，接下来部分参考价值不大的内容我就省略过了。

向量运算

向量加减

在这里插入图片描述

假设有向量a和向量b，则：
$\overrightarrow a+\overrightarrow b=(a_x+b_x,a_y+b_y) \newline \overrightarrow a-\overrightarrow b = (a_x-b_x,a_y-b_y)$

几何上看，向量相加减，则可以用向量计算的三角形法则得出结果向量。矩阵上来看，以左图向量相加为例，我们将b向量移动到对应原点位置成 $b^{'}$ 。然后将 $a 和 b^{'}$ 在xy轴上的分量进行相加，发现最终结果和三角形法则画出的是一模一样的。

向量乘除

在这里插入图片描述

我们可以用一个标量来对向量进行乘除：

$k\overrightarrow v=(kx,ky,kz) \newline \overrightarrow v/k=(\frac{x}{k},\frac{y}{k},\frac{z}{k})$

还记得标量的英文吗？Scaler ，我认为很形象，如果在几何上看，其实最终结果就是对一个向量进行缩放（拉伸），缩放的英文不就是Scale吗。（上图对于向量的拉伸不太准确，应当保持起点不变，终点拉伸到对应坐标）

向量模长

模长公式：
$|\overrightarrow v| = \sqrt{x^2+y^2+z^2}$

简单的计算，因为几何上直观来看就是运用了勾股定理。

归一化

想起学习线代时的痛点之一施密特正交化，根据线性无关的向量组构造一个标准正交化向量组。反正怎么正交化已经忘了，但是如何归一化还是记得的。

给定任意非零向量 $\overrightarrow v$ ，将其归一化为模长为1的单位向量，归一化公式为：
$\hat v = \frac{\overrightarrow v}{|\overrightarrow v|}$ ,即该向量除以其模长

在这里插入图片描述
归一化的单位向量模长为1，因此所有归一化向量可以构成一个单位圆。其落点都在单位圆的圆周上。

在后文章节中，我们将会不断遇到法线方向，光源方向这些概念。由于我们的计算要求往往需要对应的向量是单位向量，因此使用前应当将向量先归一化。

向量的点积

向量的点积公式如下：
$\overrightarrow a \cdot \overrightarrow b =(a_x,a_y,a_z)\cdot(b_x,b_y,b_z)=a_xb_x+a_yb_y+a_zb_z$

点积满足交换律，即：
$\overrightarrow a \cdot \overrightarrow b = \overrightarrow b \cdot \overrightarrow a$

在这里插入图片描述

点积其实本质上计算的是投影与向量的乘积。对于 $\overrightarrow v \cdot \overrightarrow w$ 而言，其计算结果实质上是 $\overrightarrow w$ 的投影长度乘以 $|\overrightarrow v|$

在这里插入图片描述

什么是投影？假设有一道光源垂直于向量a所在的直线，那么b在a方向上的影子，就是b向量首尾两点作垂直，最后在a方向直线上的连线，这个线段被我们称之为投影。

在这里插入图片描述
根据两个向量之间的夹角，点积的符号也不同，若夹角小于90°则结果>0，若等于90°则=0，若大于90°则<0

(推荐视频：07点积与对偶性，解释了为什么点积的公式在几何上的表现是这样的。简单来说， $\begin{bmatrix}v_x\\ v_y\end{bmatrix} \cdot \begin{bmatrix}w_x\\ w_y\end{bmatrix}$ 实质上与矩阵乘法 $\begin{bmatrix}v_x v_y\end{bmatrix} \begin{bmatrix}w_x\\ w_y\end{bmatrix}$ 相等，而后者计算结果实际上是将二维矩阵w应用线性变换v使其降维到了一维空间，这个一维空间就是我们用于投影的数轴，降维后的结果就是投影，所以向量点积本质上就是一个将矩阵从二维变换到一维的线性变换。）

在这里插入图片描述

从三角函数上看，点积公式还可以表示为下列形式：
$\cdot b = |a||b|cos\theta$
(其实还是投影乘以模长，投影是 $|b|cos\theta$ ，模长是 $∣ a ∣$ )

投影还有一些其他的性质：
$ka \cdot b = a \cdot(kb) = k(a \cdot b) ——结合律$
$\cdot (b+c) = a \cdot b + a \cdot c ——分配律$
$\cdot v = v_x^2 + v_y^2 +v_z^ 2 = |v|^2$

向量叉乘

另一个重要的运算是向量的叉乘(cross product) ,也称为外积(outer product) 。

叉乘的公式是：
$a × b =（a_x,a_y,a_z) ×（b_x,b_y,b_z) = (a_yb_z - a_zb_y,a_zb_x-a_xb_z,a_xb_y-a_yb_x)$
看起来好复杂好难记，为什么是这样的？
如果用线性代数来表示的话就清晰了：
在这里插入图片描述
纠正一下上式子，虽然结果正确，但是没写对 $\tau$ 的计算。记该矩阵为X

$=a_{1,1}A_{1,1}+a_{1,2}A_{1,2}+a_{1,3}A_{1,3}=\hat i *(-1)^{1+1}(v_2w_3-v_3w_2)+\hat j*(-1)^{1+2}(v_1w_3-v_3w_1)+\hat k * (-1)^{1+3}(v_1w_2-v_2w_1)$

实际上叉乘就是加上一列基向量构成一个新矩阵，并计算该矩阵的行列式。

（为什么要这样，别问我，以线性代数的眼光看叉乘)
在这里插入图片描述

记住一个简单的结论就是，两个向量叉乘，最终会得到一个新向量，这个新向量的长度是 $v, w$ 向量构成的平行四边形的面积，而新向量的方向，由右手坐标系指定，且垂直于这个平行四边形。举起你的右手，使得任意两根手指与 $v, w$ 对齐，剩下那根的方向就是新向量的方向。
在这里插入图片描述

这个叉乘出来的向量的模长由于和平行四边形面积一致，所以我们也可以得到叉乘向量的模长公式：
$|a||b|sin\theta$ (平行四边形面积=底 * 高)

叉乘是无法交换的， $a \times b = ? (b \times a)$ 。

从几何意义上去理解点乘和叉乘，就会发现其中奥妙所在，为什么点乘可以交换，而叉乘无法交换：

因为点乘实质上是二维降维成一维，无论二维一维，它们都满足我们之前说的旋向性（handedness），因此可以交换。

而叉乘的三个向量建立了一个非正交的三维右手坐标系，如果交换叉乘顺序，则产生的新向量的方向是相反的，就变成了左手坐标系，所以结果需要加个负号。

叉乘也不满足结合律： $\ne a × (b × c)$

叉乘最常见的应用就是计算垂直于一个平面、三角形的向量，还可以用于判断三角面片的朝向。

练习题

判断题
（1）一个向量的大小不重要，只需要在正确的位置把它画出来即可
（2）点可以被认为是位置向量，这是通过把向量的尾部固定在原点得到的
（3）选择左手坐标系还是右手坐标系很重要，这会影响到叉乘的计算

2.计算题：
（1） $∣ (2, 7, 3) ∣$
（2） $2.5 (5, 4, 10)$
（3） $\frac{(3,4)}{2}$
（4） $对 (5, 12) 进行归一化$
（5） $对 (1, 1, 1) 进行归一化$
（6） $(7, 4) + (3, 5)$
（7） $(9, 4, 13) ? (15, 3, 11)$

3.假设场景中有一光源位于 $(10, 13, 11)$ 处，还有一个点位于 $(2, 1, 1)$ ，请问光源到点的距离是？

4.计算下列运算：
（1） $(4,7)\cdot (3,9)$
（2） $(2,5,6)\cdot (3,1,2) -10$
（3） $0.5(-3,4)\cdot(-2,5)$
（4） $(3, ? 1, 2) \times (? 5, 4, 1)$
（5） $(? 5, 4, 1) \times (3, ? 1, 2)$

5.已知向量a和向量b，a的模长为4，b的模长为6，它们间的夹角为60°，求计算：
（ $\frac{\sqrt{3}}{2}\approx0.866,cos60° = \frac{1}{2} = 0.5）$
（1） $\cdot b$
（2） $∣ a \times b ∣$

6.假设，场景中有一个NPC，它位于点 $p$ 处，它的前方用向量 $v$ 表示。
（1）假设现在玩家移动到了点 $x$ 处，那么如何判断玩家在NPC的前方还是后方？使用上述学习的知识来描述。
（2）使用（1）中的描述方法，代入点 $p = (4, 2), v = (? 3, 4), x = (10, 6)$ 来验证答案
（3）现在，NPC只能观察到有限的视角范围，其视角角度为 $\phi$ ,也就是视野在前方左侧 $\frac{\phi}{2}$ 到前方右侧 $\frac{\phi}{2}$ 。那么我们如何通过点积来判断NPC是否可以看到点 $x$ ？
（4）在（3）的基础上，我们又要求NPC只能看见固定距离内的对象，如何判断？

7.在渲染中我们时常会需要判断一个三角面片是正面还是背面，这可以通过判断三角形的3个顶点在当前空间中是顺时针还是逆时针排序来得到。给定三角形的三个顶点 $p_1$ 、 $p_2$ 、 $p_3$ ，假设我们使用的是左手坐标系，且 $p_1$ 、 $p_2$ 、 $p_3$ 都位于xy平面上（即它们的z分量都为0），且人眼位于z轴的负方向上，向z轴正方形观察，如图所示：
在这里插入图片描述

请问如何判断这三个顶点的顺序是顺时针还是逆时针？

文章来源:https://blog.csdn.net/milu_ELK/article/details/135466269
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！