Normal Matrix推导 (法向量变换矩阵)

原创

已于 2023-02-08 18:44:28 修改 · 2.5k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#线性代数 #opengl #图形学

于 2021-11-10 09:43:08 首次发布

这篇博客探讨了OpenGL和Unity中Normal Matrix的计算方式，作者尝试自己推导并记录了过程。在OpenGL中，Normal Matrix是通过计算模型矩阵的转置逆矩阵再转置得到的，而在Unity中则直接使用World2Object矩阵的3x3部分。作者后来重新审视了自己的推导，并更新了理解。文章聚焦于图形学中的矩阵变换和理解其在游戏引擎中的应用。

Normal Matrix 推导

在网上看了好多normal matrix的推导不太明白，试着自己推了一下，记录
请添加图片描述

OpenGL

Normal = mat3(transpose(inverse(model))) * normal;

Unity

worldNormal = mul(normal,

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

一_叶子

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

法向量点云旋转

叶子的博客

07-04

6006

在点云处理过程中，我们有时需要根据法向量把点云旋转到指定方向。例如，我们需要把激光雷达点云中地面旋转到与xoy平面平行。本节将详细介绍其中原理和python代码。平面方程可以用如下公式表示：则（A, B, C）为平面的一个法向量，推导方式请参考博客：python三维点云投影（一）_Coding的叶子的博客-优快云博客_点云投影。如下图所示，假设向量n0是原始法向量，n1是目标向量方向。我们的目标是将n0旋转到n1方向。n0的坐标为（x0, y0, z0），n1的坐标为（x1

三维空间刚体运动1：旋转矩阵与变换矩阵（详解加代码示例）

热门推荐

shao918516的博客

03-25

2万+

本篇继续参照高翔老师《视觉SLAM十四讲从理论到实践》，讲解三维空间刚体运动。博文将原第三讲分为四部分来讲解：1、旋转矩阵和变换矩阵；2、旋转向量表示旋转；3、欧拉角表示旋转；4、四元数表示变换。本文相对于原文会适当精简，同时为便于理解，会加入一些注解和补充知识点，本篇为第一部分：旋转矩阵和变换矩阵，另外三部分请参照博主的其他博文。

参与评论您还未登录，请先登录后发表或查看评论

Normal Matrix

liuqzan的博客

12-15

522

Normal Matrix Normals are funny. They're vec3's, since you don't want perspective on normals. And they don't actually scale quite right--a 45 degree surface with a 45 degree normal, scaled by glS...

NormalMatrix

weixin_52308100的博客

05-25

329

NormalMatrix怎么算或者为什么这么算？许多计算是在view space中完成的。这与光照通常在该空间中执行的操作有关，否则摄像机位置相关的效果（例如镜面光）将更难实现。因此，我们需要一种将法线转换为view space的方法（有时候会在世界空间根据原理更改即可）。要将顶点转换为view space，我们可以编写： vertexEyeSpace = gl_ModelViewMatrix * gl_Vertex; 那么为什么我们不能对法线向量做同样的事情呢？法线是 3 个浮点数的向量，模型视图矩

正规矩阵（normal matrix）

weixin_39699362的博客

02-28

8645

正规矩阵（Normal matrix）是在线性代数中的一个概念，指的是一个与其共轭转置矩阵可交换的复数方阵。具体来说，设A是一个n×n的复数方阵，AAA∗A∗A这里的A∗表示A的共轭转置矩阵，也就是A的转置矩阵中的每个元素取共轭。UDAUDU∗DAU∗UUU∗IIAA∗A−A∗AATATA−AATATAAA正规矩阵的概念在物理学、工程学和数学的许多领域中都非常重要，尤其在量子力学和数值分析中。

normal matrix 正规矩阵

weixin_33871366的博客

12-19

588

　　资料来源　　In mathematics, acomplexsquare matrixAisnormalif 　　满足此条件也意味着A可对角化。　　所以，厄米矩阵和幺正矩阵都是正规矩阵。　　转载于:https://www.cnblogs.com/zhangshihao/p/8064434.html...

【Shaderlab练习】Normal Matrix - 对法向量（Normal）的变换矩阵的推导

牵蜗牛看世界的专栏

12-03

2377

Normal Matrix 对法向量（Normal）的变换矩阵的推导 Graphics中，用Matrix把点从一个空间转换至另一个空间是比较常见的操作，如把World Space Position转换到View Space。但是对于NonOrthogonal matrix（非正交矩阵）来说，转换之后的Normal就不垂直于它的Tangent了。推荐几篇不错的推导过程：第一篇：原文链接：法线...

法线变换矩阵的推导

owlmo的博客

01-07

1901

首先，法向量只是一个方向向量，不能表达空间中的特定位置。因此，如果我们打算把法向量乘以一个模型矩阵，我们就要从矩阵中移除位移部分，只选用模型矩阵左上角3×3的矩阵（注意，我们也可以把法向量的w分量设置为0，再乘以4×4矩阵；当我们应用一个不等比缩放时（注意：等比缩放不会破坏法线，因为法线的方向没被改变，仅仅改变了法线的长度，而这很容易通过标准化来修复），法向量就不会再垂直于对应的表面了，这样光照就会被破坏。这是因为旋转矩阵和等比缩放矩阵都是正交矩阵，正交矩阵有一个属性：矩阵的转置等于矩阵的逆。

点云法向量计算方式不同，结果相差比较大

hehe549124的博客

07-29

3178

试了PCL中点云的法向量计算： // 待计算的点云 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>) int cld_sz = cloud_xyz->points.size(); pcl::search::Search<pcl::PointXYZ...

光照 (5) 法线矩阵(Normal Matrix)

thefist的专栏

09-22

624

矩阵求逆对于着色器运算开销很大，因为它必须在场景中的每一个顶点上进行，应尽可能避免在着色器中进行求逆运算。先在CPU上计算出法线矩阵，再通过uniform把它传递给着色器（就像模型矩阵一样）。注意，大部分的资源都会将法线矩阵定义为应用到模型-观察矩阵(Model-view Matrix)上的操作，但是由于我们只在世界空间中进行操作（不是在观察空间），我们只使用模型矩阵。Problem: 模型矩阵执行了不等比缩放，顶点的改变会导致法向量不再垂直于表面了。模型矩阵左上角3x3部分的逆矩阵的转置矩阵。

3D 变换中法向量变换矩阵的推导

qq_39328456的博客

06-11

562

仅供个人参考记录设 N 平面法向量 为变换后的法向量 P1 P2 为平面两个顶点为变换后的顶点 M 为变换矩阵下面推导过程使用行向量，乘法顺序为右乘平面表达式 (1) 将（P1 - P2）转置，...

正规矩阵

weixin_30457551的博客

06-09

1353

正规矩阵 normal matrix 复矩阵 $A^HA = AA^H$，实矩阵 $A^TA = AA^T$ 一个矩阵当且仅当它与三角矩阵(diagonal matrix)酉相似(unitarily similar)时，为正规矩阵所以一个正规矩阵一定可以三角化复矩阵复矩阵中的酉矩阵、 hermitian 和shew-hermitian矩阵一定是正规矩阵实矩阵中的正交矩阵、对称...

法线矩阵(Normal Matrix)和TBN矩阵

weixin_43789369的博客

07-30

2531

很多顶点着色器 ( vertex shader) 中都用到法线矩阵 ( normal matrix )。本文内容涉及法线矩阵是什么、法线矩阵有什么用。有很多计算工作是在观测空间 ( eye space ) 下完成的，其中包括与光照相关的计算。如果不在观测空间计算，与观测位置相关的效果将很难实现，如高光 ( specular )。因此，我们需要一种方法，将法线转换到观测空间。那为什么不能对法线做一遍同样的操作呢？法线是有 3 个浮点数分量的向量，模型-观测矩阵是 4x4 的矩阵。

文章翻译|法线矩阵(The Normal Matrix)

qq_31175907的博客

10-07

354

我们知道在矩阵变换之前T·N=0,因为从定义上来说这两个向量相互垂直,我们也知道在变换后T’·N’一定仍然是0,因为他们必须保持垂直, T可以安全的乘以模型视口矩阵左上角3x3的子矩阵(T是一个向量,因此W分量为零),我们称此矩阵为M.主要问题在于,通过变换后的点Q2’,Q1’定义的向量,不一定保持垂直,如上图所示,法向量不是定义为两点之间的差异,就像切向量一样,它被定义为垂直于表面的向量.在上面的图中,模型-视口矩阵被应用到所有的顶点以及法线上,但结果显然是错误的:被变换后的法线不再垂直于表面.

矩阵的norm

麦田里的拾穗者

09-11

6090

对于向量的norm，只要是接触过一点线性代数的人来说，都是耳熟能详。最为常见的莫过于2-norm了。这里不打算再去将向量的norm，最近我比较关心的是矩阵norm。矩阵norm有两种常见的定义：一是induced norm；二是Frobenius norm。现在来看看它们的数学定义形式。 Induced norm: ||A|| = \max_{x!=0} \frac{||Ax|

ModelMatrix、ModelViewMatrix、ProjectionMatrix、NormalMatrix模型矩阵、模型视图矩阵、投影矩阵、正规矩阵详解

aoxuestudy的专栏

11-22

7300

ModelMatrix、ModelViewMatrix、ProjectionMatrix、ModelMatrix模型矩阵、模型视图矩阵、投影矩阵、正规矩阵详解 1. 前言在openGL经常用到ModelMatrix、ModelViewMatrix、ProjectionMatrix、ModelMatrix（模型矩阵、模型视图矩阵、投影矩阵、正规矩阵）这几个矩阵，举个栗子：效果：上面是一段顶点着色器的代码实现了：平行光光照效果，就用到了ModelMatrix、ModelViewMatrix、Proje

gl_NormalMatrix理解：

kasteluo的专栏

11-01

1167

法线矩阵：G 模型视图矩阵：M 则： G: = M逆矩阵的转置矩阵若： M是正交矩阵，M的逆矩阵= M的转置矩阵所以，当没有Scale变换时，（只存在Rotate、Transform变换） ModelView = G OSG中计算 gl_NormalMatrix: ...

关于Normal的矩阵变换

huangzhipeng的专栏

09-24

1394

URL：http://www.lighthouse3d.com/opengl/glsl/index.php?normalmatrix

什么是平面法向量

最新发布

03-19

<think>好的，我现在要帮用户理解平面法向量的概念和计算方法。首先，用户可能刚开始接触这个概念，所以需要从基础讲起，避免使用太多专业术语，或者至少先解释清楚术语。根据用户提供的引用资料，平面法向量是垂直于平面的向量，这个定义很关键，我得先明确这点。然后，用户可能想知道如何计算这个向量。引用中提到了几种方法，比如使用PCL库、线性代数中的平面方程，还有通过点云数据估计法向量。需要把这些方法整理出来，用简单易懂的语言描述。首先，定义部分。平面法向量是三维空间中垂直于平面的向量，通常用单位向量表示。这一点需要强调，因为方向可能有两种（正反），所以可能需要人为判断正负，如引用[1]提到的。用户可能在实际应用中遇到方向不确定的问题，所以需要说明这一点。接下来是计算方法。引用[2]提到了用平面方程来求法向量。平面的一般方程是Ax + By + Cz + D = 0，这里的系数A、B、C就是法向量的分量。例如，如果平面方程是2x + 3y - z + 5 = 0，那么法向量就是(2,3,-1)。这个方法适用于已知平面方程的情况，可能用户如果有平面方程的话可以直接用这个方法，比较直接。然后是使用点云数据的情况，如引用[3]和[4]提到的。当处理三维点云时，通常需要估计每个点的法向量。这里的方法包括K近邻、半径近邻等。具体步骤可能是：先找到点周围的邻近点，然后用这些点拟合一个平面，再求出这个平面的法向量。例如，引用[3]提到遍历顶点关联的三角形，叠加法向量后取平均，这可能适用于网格数据，但点云的话可能需要用PCA或协方差矩阵的方法。引用[1]中提到了PCL库计算法向量时需要注意的问题，比如法线可能为NaN，这时候需要处理。另外，法线方向的不确定性，可能需要根据视角或其他方法调整方向。这些实际应用中的问题需要提醒用户注意，避免他们在使用时出错。可能用户的应用场景是计算机视觉、三维建模或者机器人领域，比如处理点云数据，进行表面重建或物体识别。所以需要结合这些实际应用场景，说明法向量的重要性，比如在光照计算、碰撞检测中的作用。在总结计算方法时，可以分点列出：平面方程法、线性代数中的向量叉乘（三点确定平面，向量叉乘得到法向量）、点云法向量估计（PCA主成分分析）。这些方法各有适用场景，用户需要根据具体情况选择。另外，用户可能对数学推导不太熟悉，所以需要尽量简化。比如向量叉乘，假设有三个点A、B、C在平面上，向量AB和AC的叉乘结果就是法向量。这个例子比较直观，容易理解。对于点云数据，可能需要解释PCA方法。协方差矩阵的特征向量对应法向量，最小的特征值对应的特征向量就是法向量方向。这可能需要一定的线性代数基础，但可以简单带过，强调这是自动计算的方法，如PCL库中的实现。最后，注意事项部分要包括法向量方向的不确定性，以及处理NaN值的情况，这些是实际应用中常见的问题，用户需要特别注意。现在需要把这些点组织成结构清晰的回答，先定义，再分方法，最后注意事项。同时生成相关问题，帮助用户进一步学习。比如，如何确定法向量方向，如何处理点云中的噪声，这些都可能成为相关问题。</think>### 平面法向量的定义及计算方法 #### 定义平面法向量是指**垂直于平面的三维向量**，通常用单位向量表示，方向遵循右手定则。例如，若平面方程为$Ax + By + Cz + D = 0$，则其法向量可表示为$\mathbf{n} = (A, B, C)$[^2]。 #### 计算方法 1. **平面方程法** 若已知平面方程$Ax + By + Cz + D = 0$，则法向量直接由系数提取为$\mathbf{n} = (A, B, C)$。 2. **三点法** 通过平面上三个不共线的点$P_1(x_1, y_1, z_1)$、$P_2(x_2, y_2, z_2)$、$P_3(x_3, y_3, z_3)$，计算两向量$\overrightarrow{P_1P_2}$和$\overrightarrow{P_1P_3}$的叉乘： $$ \mathbf{n} = \overrightarrow{P_1P_2} \times \overrightarrow{P_1P_3} $$ 叉乘结果即为法向量。 3. **点云法向量估计** 在三维点云中，常用以下步骤估计某点的法向量[^4]： - **邻近点搜索**：选择该点的$k$个邻近点（K近邻或半径搜索） - **协方差分析**：构建协方差矩阵，计算其特征值和特征向量 - **主成分分析（PCA）**：取最小特征值对应的特征向量作为法向量方向 ```python # 伪代码示例：基于PCA的法向量估计 def estimate_normal(point_cloud, point_index, k=30): neighbors = find_k_nearest_neighbors(point_cloud, point_index, k) covariance_matrix = compute_covariance(neighbors) eigenvalues, eigenvectors = np.linalg.eig(covariance_matrix) return eigenvectors[:, np.argmin(eigenvalues)] ``` #### 注意事项 - **方向不确定性**：计算的法向量可能指向平面任意一侧，需通过视角一致性约束或手动调整方向[^1] - **数值异常处理**：当邻近点不足时，法向量可能为`NaN`，需添加判空逻辑 - **精度优化**：点云下采样可提升计算效率，但需权衡精度损失[^4]