[转]透视矩阵

原文地址透视矩阵详解

1.概述

投影变换完成的是如何将三维模型显示到二维视口上,这是一个三维到二维的过程。你可以将投影变换看作是调整照相机的焦距,它模拟了为照相机选择镜头的过程。投影变换是所有变换中最复杂的一个。

2.视锥体(View Frustum)

视锥体是一个三维体,他的位置和摄像机相关,视锥体的形状决定了模型如何从camera space投影到屏幕上。最常见的投影类型-透视投影,使得离摄像机近的物体投影后较大,而离摄像机较远的物体投影后较小。透视投影使用棱锥作为视锥体,摄像机位于棱锥的椎顶。该棱锥被前后两个平面截断,形成一个棱台,叫做View Frustum,只有位于Frustum内部的模型才是可见的。
图 视锥体

3.透视投影的目的

这里写图片描述

4.透视投影矩阵推导

下面来推导一下透视投影矩阵,这样我们就可以自己设置投影矩阵了,就可以模拟神奇的D3DXMatrixPerspectiveLH函数的功能了。那么透视投影到底做了什么工作呢?这一部分算是个难点,无论是DX SDK的帮助文档,还是大多数图形学书籍,对此都是一带而过,很少有详细讨论的,早期的DX SDK文档还讨论的稍微多一些,而新近的文档则完全取消了投影矩阵的推导过程。

我们可以将整个投影过程分为两个部分,第一部分是从Frustum内一点投影到近剪裁平面的过程,第二部分是由近剪裁平面缩放的过程。假设Frustum内一点P(x,y,z)在近剪裁平面上的投影是P’(x’,y’,z’),而P’经过缩放后的最终坐标设为P”(x”,y”,z”)。假设所求的投影矩阵为M,那么根据矩阵乘法可知,如下等式成立。

PM=P”,即
这里写图片描述
先看第一部分,为了简化问题,我们考虑YOZ平面上的投影情况,见下图。设P(x, y, z)是Frustum内一点,它在近剪裁平面上的投影是P’(x’, y’, z’)。(注意:D3D以近剪裁平面作为投影平面),设视锥体在Y方向的夹角为Θ。
这里写图片描述
由上图可知,三角形OP’Q’与三角形OPQ相似,于是有如下等式成立。
这里写图片描述
在看第二部分,将P’缩放的过程,假设投影平面的高度为H,由于转换后cuboid的高度为2。所以有
这里写图片描述
又因为投影平面的纵横比为Aspect,所以
这里写图片描述

最后看z”,当Frustum内的点投影到近剪裁平面的时候,实际上这个z’值已经没有意义了,因为所有位于近剪裁平面上的点,其z’值都是n,看起来我们甚至可以抛弃这个z’值,可以么?当然不行!别忘了后面还有深度测试呢。
由第一幅图可知,所有位于线段p’p上的点,最终都会投影到p’点,那么如果这条线段上真的有多个点,如何确定最终保留哪一个呢?当然是离观察这最近的这个了,也就是深度值(z值)最小的。所以z’坐标可以直接保存p点的z值。因为在光栅化之前,我们需要对z坐标的倒数进行插值(原因请参见Mathematics for 3D Game Programming and Computer Grahpics 3rd section 5.4),所以可以将z”写成z的一次表达式形式,如下

这里写图片描述

在映射前,z的范围是[n,f],这里n和f分别是近远两个剪裁平面到原点的距离,在映射后,z”的范围是[0,1],将数据代入上面的一次式,可得下面的方程组
这里写图片描述

解这个方程组得到

这里写图片描述

所以

这里写图片描述

整理一下得

这里写图片描述

将X”,y”,z”代入最开始的矩阵乘法等式中得

这里写图片描述

由上式可见,x”,y”,z”都除以了Pz,于是我们将他们再乘以Pz(这并不该变齐次坐标的大小),得到如下等式。

这里写图片描述

注意这里,x即Px,y即Py,z即Pz,解矩阵的每一列得到

这里写图片描述

于是所求矩阵为

这里写图片描述

代码

一般来说,在程序中我们通常给定四个参数来求透视投影矩阵,分别是y方向的视角,纵横比,近剪裁平面到原点的距离及远剪裁平面到原点的距离,通过这四个参数即可求出上面的矩阵,代码如下。

D3DXMATRIX BuildProjectionMatrix(float fov, float aspect, float zn, float zf)
{
    D3DXMATRIX proj;
    ZeroMemory(&proj, sizeof(proj));

    proj.m[0][0] = 1 / (tan(fov * 0.5f) *aspect) ;
    proj.m[1][1] = 1 / tan(fov * 0.5f) ;
    proj.m[2][2] = zf / (zf - zn) ;
    proj.m[2][3] = 1.0f; 
    proj.m[3][2] = (zn * zf) / (zn - zf);

    return proj ;
}

矩阵求解完毕,现在可以用如下代码试试效果,这和使用D3D函数D3DXMatrixPerspectiveFovLH所得效果是一致的。

D3DXMATRIX proj = BuildProjectionMatrix(D3DX_PI / 4, 1.0f, 1.0f, 1000);
g_pd3dDevice->SetTransform(D3DTS_PROJECTION, &proj) ;
内容概要:本文详细介绍了一种融合灰狼优化算法(GWO)、BP神经网络与AdaBoost集成学习的复合预测模型,旨在通过Matlab代码实现高效、高精度的非线性系统预测。该模型首先利用GWO算法优化BP神经网络的初始权重与阈值,有效缓解传统BP网络易陷入局部最优、收敛速度慢的问题;随后引入AdaBoost集成策略,通过对弱学习器的迭代加权训练,进一步提升模型的泛化能力、鲁棒性与预测稳定性。该方法适用于能源、环境、金融等领域的时间序列预测任务,文中提供了完整的算法实现流程与案例分析,便于科研人员复现、验证并拓展至其他应用场景。; 适合人群:具备一定机器学习理论基础与Matlab编程能力,从事科研工作的研究生、高校教师及工程技术人员,尤其适合工作1-5年、致力于发表高水平学术论文的研发人员。; 使用场景及目标:①解决传统BP神经网络在复杂数据下收敛缓慢、精度不足的问题;②构建高精度、强鲁棒性的预测模型,服务于科研项目申报、高水平论文撰写或工程实际预测需求;③深入理解GWO优化机制、AdaBoost集成思想及其在神经网络中的融合应用,掌握智能优化与集成学习的协同建模范式。; 阅读建议:建议读者结合提供的Matlab代码逐模块实践,重点剖析GWO的种群更新机制、BP网络的结构设计与训练过程、AdaBoost的误差反馈与权重调整逻辑,同时尝试将模型迁移至风电预测、负荷预测等具体场景,以深化理解并激发创新研究思路。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值