如何判断模型矩阵是否做了镜像

除了旋转、平移缩放这些常见的仿射变换,可能还会有诸如镜像这类的特殊变换操作。像镜像的操作会改变原有网格体的拓扑结构,可能会导致开启背面剔除的情况下产生错误的显示效果。那么这个时候该怎么判断是否做了镜像然后把背面剔除调换为正面剔除呢?

现在假设有一个4x4的模型变换矩阵M,且在OpenGL右手系,矩阵左乘的情景下推导

1.方法1:矩阵行列式判断

1)判断思路

XML 复制代码
模型矩阵M:
M = [ m00 m01 m02 m03 ]
    [ m10 m11 m12 m13 ]
    [ m20 m21 m22 m23 ]
    [ m30 m31 m32 m33 ]

提取模型矩阵M的3x3旋转缩放部分矩阵MP计算行列式:
MP = [ m00 m01 m02 ]
     [ m10 m11 m12 ]
     [ m20 m21 m22 ]

行列式 |MP|> 0:保持手性(右手系保持右手系)

行列式 |MP|< 0:镜像变换(右手系变为左手系)

2)原理

XML 复制代码
模型矩阵M的3x3旋转缩放部分矩阵MP为缩放矩阵MS和旋转矩阵MR的乘积。
故矩阵MP可进一步分解为
MP=MR*MS
根据行列式计算规则有:
|MP|=|MR|*|MS|

一、缩放矩阵部分
而MS矩阵一般为以下结构,sx,sy,sz为各轴的缩放比例:
MS = [ sx  0   0  ]
     [ 0   sy  0  ]
     [ 0   0   sz ]
故|MS|=sx*sy*sz。
由于沿某轴的镜像本质是该轴缩放因子为 - 1 的特殊缩放,因此:
若缩放因子均为正(无镜像),行列式为 +。
若有奇数个负缩放因子(即奇数次镜像),行列式为 -。
若有偶数个负缩放因子(偶次镜像,等效于无镜像的缩放),行列式为 +。
结论:缩放的行列式符号由负因子个数的奇偶性决定,奇数次镜像导致符号为负。

二、旋转矩阵部分
因为旋转矩阵是正交矩阵(逆矩阵 = 转置矩阵)
其行列式恒为 +1(证明:正交矩阵满足(tranpose(MR)*MR = I)
两边取行列式得 |MR|² = 1),而旋转不改变定向,故|MR| = +))。
结论:旋转不改变行列式符号,保持定向。

三、总结
若变换中包含奇数次镜像(或等效的负缩放),则总行列式为负数(因奇数个-1 相乘结果为-1)
若变换中包含偶数次镜像(或无镜像),则总行列式为 正数(因偶数个-1相乘结果为+1)。

3)代码实现

cpp 复制代码
#include <glm/glm.hpp>
#include <glm/gtc/matrix_transform.hpp>
#include <glm/gtc/type_ptr.hpp>

bool isModelMatrixMirrored(const glm::mat4& modelMatrix) {
    // 提取3x3旋转缩放部分计算行列式
    glm::mat3 upperLeft3x3 = glm::mat3(modelMatrix);
    float determinant = glm::determinant(upperLeft3x3);
    
    return determinant < 0.0f;
}

2.方法2:提取新坐标基叉积判断法

1)判断思路

XML 复制代码
通过检查变换后的坐标轴是否保持右手坐标系来判断

2)原理

XML 复制代码
同样提取M矩阵的前3x3得到矩阵MP

原始坐标基为:

i = [1, 0, 0]^T  (X轴)
j = [0, 1, 0]^T  (Y轴)  
k = [0, 0, 1]^T  (Z轴)

其构成一个单位矩阵E

而MP*E则可理解为对原始坐标基做了一个缩放旋转变换,
而缩放旋转变换是不会影响手性的,但是镜像会。
因此可以从MP矩阵里提取出变换后的坐标基做叉积运行判断手性以判断是否镜像

3)代码实现

cpp 复制代码
bool isCoordinateSystemFlipped(const glm::mat4& modelMatrix) {
    // 提取变换后的坐标轴
    glm::vec3 transformedX = glm::normalize(glm::vec3(modelMatrix[0]));
    glm::vec3 transformedY = glm::normalize(glm::vec3(modelMatrix[1]));
    glm::vec3 transformedZ = glm::normalize(glm::vec3(modelMatrix[2]));
    
    // 检查是否保持右手坐标系
    glm::vec3 crossProduct = glm::cross(transformedX, transformedY);
    float dotProduct = glm::dot(crossProduct, transformedZ);
    
    // 在右手坐标系中,Z轴应该是X×Y的结果
    return dotProduct < 0.0f; // 如果为负,说明是左手系(镜像)
}
相关推荐
_OP_CHEN1 天前
【算法基础篇】(五十七)线性代数之矩阵乘法从入门到实战:手撕模板 + 真题详解
线性代数·算法·矩阵·蓝桥杯·c/c++·矩阵乘法·acm/icpc
芷栀夏1 天前
CANN ops-math:从矩阵运算到数值计算的全维度硬件适配与效率提升实践
人工智能·神经网络·线性代数·矩阵·cann
种时光的人1 天前
CANN仓库核心解读:catlass夯实AIGC大模型矩阵计算的算力基石
线性代数·矩阵·aigc
Zfox_2 天前
CANN Catlass 算子模板库深度解析:高性能矩阵乘(GEMM)原理、融合优化与模板化开发实践
线性代数·矩阵
lbb 小魔仙2 天前
面向 NPU 的高性能矩阵乘法:CANN ops-nn 算子库架构与优化技术
线性代数·矩阵·架构
空白诗2 天前
CANN ops-nn 算子解读:大语言模型推理中的 MatMul 矩阵乘实现
人工智能·语言模型·矩阵
劈星斩月2 天前
线性代数-3Blue1Brown《线性代数的本质》特征向量与特征值(12)
线性代数·特征值·特征向量·特征方程
池央2 天前
ops-nn 算子库中的数据布局与混合精度策略:卷积、矩阵乘法与 RNN 的优化实践
rnn·线性代数·矩阵
深鱼~2 天前
大模型底层算力支撑:ops-math在矩阵乘法上的优化
人工智能·线性代数·矩阵·cann
Zfox_2 天前
CANN PyPTO 编程范式深度解析:并行张量与 Tile 分块操作的架构原理、内存控制与流水线调度机制
线性代数·矩阵·架构