3D基础:3D坐标变换在OpenGL 中的实践

本文通过OpenGL实践介绍3D图形变换的基本概念,包括平移、缩放和旋转等操作,并提供具体的矩阵运算实例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在计算机图形学中,变换矩阵是非常基础也是非常重要的知识,在许多资料中,只是罗列出一堆矩阵公式,图表等等,这很难给人感性的认识,特别是初学者,笔者结合OpenGL这样一个非常流行的图形库,以实践的方式阐述在3D变换矩阵中最简单的三种:平移、缩放以及旋转。

 

这里有一些前提知识,就是需要了解线性代数一些最最基本的知识,否则难以理解一些东西,而这些知识载体也是很容易获得的。

 

变换

我在制作3D程序的时候,任何在3D环境中的物体被图形引擎绘制的时候都是一个个3D环境中的点,而正是由于这个原因,当我们想要变换一个物体的位置,大小,方向,乃至形状的时候,我们其实只要有序的改变物体网格上的点就可以了。

 

怎样变换

在计算机图形学中,我们通常用矩阵来对3D图形的每个点进行变换,比如我们变换一个需要这样的计算步骤:

将一个点的向量与一个变换矩阵相乘


这样就得到了一个变化后的向量

 

 

在实践中,最常用到的就是平移,缩放和旋转了。

 

下面给出这三种变换的矩阵

平移



缩放


旋转

X


Y


Z

 

学习理论的目的就是为了应用,然而在我们经常应用的3D图形库,比如D3D OpenGL 中矩阵变换已经被封装成为调用非常简便的函数了。对于产品开发,这无疑对缩短产品周期有很大的帮助,侯捷说过一句话:“学从难处学,用从易处用”,这句话很有道理,所以我们仅仅使用OpenGLglVertex*这样的函数将以上这些晦涩的图表应用到实践当中。

 

Demo的界面如图所示,你可以在“操作”菜单中对界面中的正方体进行平移、缩放以及旋转的操作。

因为用的是NeheOpenGL的代码框架(nehe.gamedev.net),对于如何建立起一个OpenGL程序,这里就不做相应的阐述了,因为这并不是本文讨论的范围。

 

下面对重要的代码段进行讲述:

 

//这里定义了正方体的各个顶点,因为不是使用glTranslateglRotate这些函数进行变换而是手工计算变换后的物体坐标,所以我们用一个顶点数组来描述物体,这里一共有24个点,每个点都使用奇次坐标来表示(x,y,z,w)

GLfloat Cube[24][4]={{-1.0f,1.0f,1.0f,1.0f},

{-1.0f,-1.0f,1.0f,1.0f},

{1.0f,-1.0f,1.0f,1.0f},

{1.0f,1.0f,1.0f,1.0f}, // 前表面

{-1.0f,1.0f,1.0f,1.0f},

{-1.0f,1.0f,-1.0f,1.0f},

{-1.0f,-1.0f,-1.0f,1.0f},

{-1.0f,-1.0f,1.0f,1.0f}, // 左侧面

{1.0f,1.0f,1.0f,1.0f},

{1.0f,1.0f,-1.0f,1.0f},

{1.0f,-1.0f,-1.0f,1.0f},

{1.0f,-1.0f,1.0f,1.0f}, // 右侧面

{1.0f,1.0f,1.0f,1.0f},

{1.0f,1.0f,-1.0f,1.0f},

{-1.0f,1.0f,-1.0f,1.0f},

{-1.0f,1.0f,1.0f,1.0f}, // 顶部

{1.0f,-1.0f,-1.0f,1.0f},

{-1.0f,-1.0f,-1.0f,1.0f},

{-1.0f,-1.0f,1.0f,1.0f},

{1.0f,-1.0f,1.0f,1.0f}, // 底部

{-1.0f,1.0f,-1.0f,1.0f},

{-1.0f,-1.0f,-1.0f,1.0f},

{1.0f,-1.0f,-1.0f,1.0f},

{1.0f,1.0f,-1.0f,1.0f} // 背面

};

 

//一般在3D引擎中,模型坐标系中原始的物体坐标一般需要保留,而不会随着流水线,而变成转化后的坐标,所以这里我们用一个数组来保存变换后的坐标

 

GLfloat CubeNew[24][4];

 

// 这里是一个核心函数,用来进行两个矩阵相乘的操作

// 这里涉及到矩阵相乘,这在任何一本线性代数的课本上都能够轻松的找到

void MatrixMul(GLfloat Matrix[4][4])

{

       for(int i=0;i<24;i++)

       {

       CubeNew[i][0]=Cube[i][0]*Matrix[0][0]+Cube[i][1]*Matrix[0][1]+Cube[i][2]*Matrix[0][2]+Cube[i][3]*Matrix[0][3];

       CubeNew[i][1]=Cube[i][0]*Matrix[1][0]+Cube[i][1]*Matrix[1][1]+Cube[i][2]*Matrix[1][2]+ Cube[i][3]*Matrix[1][3];

       CubeNew[i][2]=Cube[i][0]*Matrix[2][0]+Cube[i][1]*Matrix[2][1]+Cube[i][2]*Matrix[2][2]+ Cube[i][3]*Matrix[2][3];

       CubeNew[i][3]=Cube[i][0]*Matrix[3][0]+Cube[i][1]*Matrix[3][1]+Cube[i][2]*Matrix[3][2]+ Cube[i][3]*Matrix[3][3];

       }

}

 

//有了这些基本操作的函数,下面就需要进行实际的变换了,其实也十分的简单

// 平移矩阵

GLfloat Matrix_Transform[4][4]=

{{1,0,0,-3},

{0,1,0,3},

{0,0,1,1},

{0,0,0,1}};

 

// 缩放矩阵

GLfloat Matrix_Scale[4][4]=

{{1,0,0,0},

{0,2,0,0},

{0,0,3,0},

{0,0,0,1}};

 

#define PI 3.1415926

// 旋转矩阵

GLfloat Matrix_Rotate[4][4]=

{{1,0,0,0},

{0,cos(PI/15),-sin(PI/15),0},

{0,sin(PI/15),cos(PI/15),0},

{0,0,0,1}};

 

 

//在绘制部分,我们首先绘制地面

              glBegin(GL_POINTS);

              DrawBackGround();

              glEnd();

//然后通过一个循环绘制转换后的坐标

              for(int x=0;x<24;x++){

                            glVertex4f(CubeNew[x][0],CubeNew[x][1],CubeNew[x][2],CubeNew[x][3]);

                     }

内容概要:该PPT详细介绍了企业架构设计的方法论,涵盖业务架构、数据架构、应用架构和技术架构四大核心模块。首先分析了企业架构现状,包括业务、数据、应用和技术四大架构的内容和关系,明确了企业架构设计的重要性。接着,阐述了新版企业架构总体框架(CSG-EAF 2.0)的形成过程,强调其融合了传统架构设计(TOGAF)和领域驱动设计(DDD)的优势,以适应数字化转型需求。业务架构部分通过梳理企业级和专业级价值流,细化业务能力、流程和对象,确保业务战略的有效落地。数据架构部分则遵循五大原则,确保数据的准确、一致和高效使用。应用架构方面,提出了分层解耦和服务化的设计原则,以提高灵活性和响应速度。最后,技术架构部分围绕技术框架、组件、平台和部署节点进行了详细设计,确保技术架构的稳定性和扩展性。 适合人群:适用于具有一定企业架构设计经验的IT架构师、项目经理和业务分析师,特别是那些希望深入了解如何将企业架构设计与数字化转型相结合的专业人士。 使用场景及目标:①帮助企业和组织梳理业务流程,优化业务能力,实现战略目标;②指导数据管理和应用开发,确保数据的一致性和应用的高效性;③为技术选型和系统部署提供科学依据,确保技术架构的稳定性和扩展性。 阅读建议:此资源内容详尽,涵盖企业架构设计的各个方面。建议读者在学习过程中,结合实际案例进行理解和实践,重点关注各架构模块之间的关联和协同,以便更好地应用于实际工作中。
资 源 简 介 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系, 详 情 说 明 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。 本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系,在此基础上重点分析了一种快速ICA实现算法一FastICA。物质的非线性荧光谱信号可以看成是由多个相互独立的源信号组合成的混合信号,而这些独立的源信号可以看成是光谱的特征信号。为了更好的了解光谱信号的特征,本文利用独立分量分析的思想和方法,提出了利用FastICA算法提取光谱信号的特征的方案,并进行了详细的仿真实验。 此外,我们还进行了进一步的研究,探索了其他可能的ICA应用领域,如音乐信号处理、图像处理以及金融数据分析等。通过在这些领域中的实验和应用,我们发现ICA在提取信号特征、降噪和信号分离等方面具有广泛的潜力和应用前景。
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