矩阵在图形学中扮演着核心角色，几乎所有图形变换、投影和空间转换都依赖矩阵运算来实现高效计算。以下是矩阵在图形学中的主要作用及具体应用：
1. 几何变换
矩阵乘法可以高效表示物体的平移、旋转、缩放等基本变换，并通过矩阵连乘实现复合变换：
- 平移（Translation） ：
通过齐次坐标（4×4矩阵）表示三维平移：
1 0 0 t x 0 1 0 t y 0 0 1 t z 0 0 0 1 \begin{bmatrix} 1 & 0 & 0 & t_x \\ 0 & 1 & 0 & t_y \\ 0 & 0 & 1 & t_z \\ 0 & 0 & 0 & 1 \end{bmatrix} 100001000010txtytz1 - 旋转（Rotation） ：
绕X/Y/Z轴的旋转用3×3或4×4矩阵表示。例如绕Z轴旋转：
cos θ − sin θ 0 sin θ cos θ 0 0 0 1 \begin{bmatrix} \cos\theta & -\sin\theta & 0 \\ \sin\theta & \cos\theta & 0 \\ 0 & 0 & 1 \end{bmatrix} cosθsinθ0−sinθcosθ0001 - 缩放（Scaling） ：
s x 0 0 0 s y 0 0 0 s z \begin{bmatrix} s_x & 0 & 0 \\ 0 & s_y & 0 \\ 0 & 0 & s_z \end{bmatrix} sx000sy000sz
优势：通过矩阵乘法链（如 ( T \cdot R \cdot S )）将多个变换合并为单个矩阵，提升计算效率。
2. 坐标空间转换
图形管线中，顶点需要从局部坐标逐步转换到屏幕坐标，每一步都依赖矩阵乘法：
- 模型矩阵（Model Matrix）：局部坐标 → 世界坐标。
- 视图矩阵（View Matrix）：世界坐标 → 相机坐标系（通过LookAt矩阵实现）。
- 投影矩阵（Projection Matrix） ：
- 透视投影（Perspective）：模拟近大远小效果。
- 正交投影（Orthographic）：保持平行线不变。
3. 投影变换
- 透视投影矩阵 ：将视锥体映射到立方体（NDC空间），产生深度感。
2 n r − l 0 r + l r − l 0 0 2 n t − b t + b t − b 0 0 0 − f + n f − n − 2 f n f − n 0 0 − 1 0 \begin{bmatrix} \frac{2n}{r-l} & 0 & \frac{r+l}{r-l} & 0 \\ 0 & \frac{2n}{t-b} & \frac{t+b}{t-b} & 0 \\ 0 & 0 & -\frac{f+n}{f-n} & -\frac{2fn}{f-n} \\ 0 & 0 & -1 & 0 \end{bmatrix} r−l2n0000t−b2n00r−lr+lt−bt+b−f−nf+n−100−f−n2fn0
4. 法向量变换
物体变换时，法向量需通过逆转置矩阵 （Inverse Transpose Matrix）保持正确方向：
N new = ( M − 1 ) T N original \mathbf{N}{\text{new}} = (\mathbf{M}^{-1})^T \mathbf{N}{\text{original}} Nnew=(M−1)TNoriginal
5. 骨骼动画
在蒙皮动画中，矩阵用于表示骨骼的变换层级（骨骼空间→模型空间），顶点权重混合多个骨骼矩阵实现平滑变形。
6. 光线追踪与着色
- 变换光线：将光线从世界坐标转换到物体局部坐标以简化求交计算。
- 切线空间矩阵（TBN矩阵）：将法线贴图从切线空间转换到模型空间。
7. GPU优化
矩阵运算（如MVP矩阵）在着色器中通过并行计算高效执行，现代GPU针对4×4矩阵乘法有硬件优化。
总结
矩阵是图形学的"数学语言"，其核心价值在于：
- 统一性：所有变换均可表示为矩阵运算。
- 可组合性：通过矩阵乘法合并复杂操作。
- 硬件友好：适合GPU并行计算。
理解矩阵变换是掌握图形编程的基础。