齐次变换

除了使用三维直角座标来表示物体的空间位置之外,在图学中,也常使用「齐次座标」(homogeneous coordinate)来呈现,这一方面是为了方便将空间的平移、缩放、旋转等转换使用矩阵来记录。

齐次座标使用四个元素来表示,即(x, y, z, w),要将齐次座标转换为三维座标,其关系为(x/w, y/w, z/w),其中w表示座标轴的远近参数,通常设为1,如果要用来表示远近感,则会设定为距离的倒数(1/距离),例如表示一个无限远的距离时,我们会将w 设定为0。

可以直接将之前介绍过的公式使用齐次座标与矩阵来展现,就可以了解齐次座标的好处,例如以三维座标常见的平移、缩放与旋转为例,表示方法如下(原座标x,y ,z,转换后x1,y1,z1):

平移:假设三个平移量分别为Tx、Ty与Tz。 。 。 。

縮放:假設x、y、z的縮放比例分別為a、b、c。。 。。

旋轉:關於旋轉的公式導證,之前介紹過了。。。。

时间: 2024-10-08 21:01:20

齐次变换的相关文章

OpenGL阴影,Shadow Mapping(附源程序)

实验平台:Win7,VS2010 先上结果截图(文章最后下载程序,解压后直接运行BIN文件夹下的EXE程序): 本文描述图形学的两个最常用的阴影技术之一,Shadow Mapping方法(另一种是Shadow Volumes方法).在讲解Shadow Mapping基本原理及其基本算法的OpenGL实现之后,将继续深入分析解决几个实际问题,包括如何处理全方向点光源.多个光源.平行光.最近还有可能写一篇Shadow Volumes的博文(目前已经将基本理论弄清楚了),在那里,将对Shadow Ma

相机模型-计算机视觉

摄像机的基本成像模型, 通常称为针孔模型(pinhole model), 由三维空间到像平面的中心投影变换给出. 如上图(a)所示, 空间点Oc是投影中心, 它到平面π的距离为f. 空间点Xc在平面π上的投影(像)是以点Oc为端点并经过Xc的射线与平面π的交点. 平面π称为摄像机的像平面(image plane), 点Oc称为摄像机的光心(optical center), f称为摄像机的焦距(focus), 以点Oc为端点且垂直于像平面的射线称为光轴或主轴(principal axis), 主轴

求特定几何变换

问题 如何求一个三维的正交变换,它把已知向量 (a,b,c)T (a2+b2+c2=1) 变换为 (0,0,1)T? 解答 这样的正交变换不是唯一的.因为有太多种可能. 我比较感兴趣的是两种:旋转 和 反射. 反射 垂直于 OAZ 所在平面,并且等分∠AOZ的平面作为镜面时的反射满足条件. 首先确定这个平面.令为π:px+qy+rz+d=0 记作 (p,q,r,d)T. 不失一般性,不妨假设 p2+q2+r2=1; 因为经过 O:(0,0,0) 点,所以 d=0.即: π=(p,q,r,0)T

一起做RGB-D SLAM (4)

第四讲 点云拼接 广告:“一起做”系列的代码网址:https://github.com/gaoxiang12/rgbd-slam-tutorial-gx 当博客更新时代码也会随着更新. SLAM技术交流群:254787961 读者朋友们大家好!尽管还没到一周,我们的教程又继续更新了,因为暑假实在太闲了嘛! 上讲回顾 上一讲中,我们理解了如何利用图像中的特征点,估计相机的运动.最后,我们得到了一个旋转向量与平移向量.那么读者可能会问:这两个向量有什么用呢?在这一讲里,我们就要使用这两个向量,把两张

CS184.1X 计算机图形学导论(第四讲)

一.齐次变换 1.平移变换 变换矩阵不能包含X,Y,Z等坐标变量 如果x坐标向右平移了5个单位长度,则x~=x+5.在变换矩阵中表示的时候添加一个w坐标变量.通过加入一个w坐标,可以实现平移变换 1>如果w>0,这表示一个真实物理世界的点,因为你可以用x,y,z三个坐标初一w得到这个真是的点. 2>如果w=0,表示一个无穷远处的点 3>在实际应用中,w等于0通常用来表示一个向量 齐次坐标的优点:只需在渲染管线的最后做一次 除法就能将齐次坐标转换为非齐次. 一般的平移矩阵: 可以简写

旋转矩阵、旋转向量、欧拉角、四元数的关系

向量的矩阵形式 有两个向量:\[\overrightarrow {\rm{a}} = ({a_1},{a_2},{a_3})\] \[\overrightarrow {\rm{b}} = ({b_1},{b_2},{b_3})\] 叉乘的结果表示一个向量,这个向量向量垂直于a,b向量构成的平面. \[\overrightarrow a \times \overrightarrow {\rm{b}} = \left\| {\begin{array}{*{20}{c}}{{e_1}}&{{e_2}}

Hilbert-Huang Transform(希尔伯特-黄变换)

在我们正式开始讲解Hilbert-Huang Transform之前,不放先来了解一下这一伟大算法的两位发明人和这一算法的应用领域 Section I 人物简介 希尔伯特:公认的数学界“无冕之王”,1943年去世于瑞士苏黎世.除此之外,自不必过多介绍. 黄锷:1937年出生于湖北省:1975年进入NASA(美国国家宇航局):美国国家工程院院士. Section II Hilbert-Huang的应用领域 医学领域:探测心率不齐.登革热的扩散.血压的变化 交通领域:探测公路桥梁安全 安全领域:辨识

OpenGL法向量变换

OpenGL光照开启时,法向量用于决定特定顶点或面上接受到光照的多少.光照处理过程作用于观察坐标空间,因此,模型对象坐标系的法向量也需要使用GL_MODELVIEW矩阵变换到观察坐标系. 然而,法向量与顶点的变换方式不同.我们不能够简单将GL_MODELVIEW矩阵与法线相乘.设想顶点(0,0,0)的法向量(1,0,0).如果GL_MODELVIEW矩阵为沿Y轴移动2个单位,顶点坐标将为(0,2,0).不过,法线依旧为相同的(1,0,0),而不是(1,2,0). 为了理解法向量如何变换到观察空间

傅里叶变换与拉普拉斯变换的物理解释及区别

傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分量和频率分量). 傅里叶变换能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合.在不同的研究领域,傅里叶变换具有多种不同的变体形式,如连续傅里叶变换和离散傅里叶变换. 傅里叶变换是一种解决问题的方法,一种工具,一种看待问题的角度.理解的关键是:一个连续的信号可以看作是一个个小信号的