[简化版 GAMES 101] 计算机图形学 03：线性代数下

[简化版 GAMES 101] 计算机图形学03：线性代数下

Bilibili同步视频
一、向量叉乘：突破平面的向量运算💫
- [1. 叉乘的核心定义](#1. 叉乘的核心定义)
- [2. 叉乘的关键性质](#2. 叉乘的关键性质)
- [3. 图形学中的核心应用🎯](#3. 图形学中的核心应用🎯)
- - （1）构建三维右手坐标系
  - （2）判定左右与内外部关系
二、矩阵运算：图形变换的通用工具🔧
- [1. 矩阵的基础认知](#1. 矩阵的基础认知)
- [2. 矩阵乘法的核心规则](#2. 矩阵乘法的核心规则)
- [3. 矩阵运算的核心性质](#3. 矩阵运算的核心性质)
- [4. 图形学中的特殊矩阵与操作](#4. 图形学中的特殊矩阵与操作)
三、向量运算的矩阵形式：数与形的统一📐
四、后续学习指引：从基础到进阶🚀
写在最后📝

Bilibili同步视频

✨ 图形学的世界里，线性代数是当之无愧的底层基石，而向量叉乘与矩阵运算更是其中的核心工具。从三维坐标系的构建到图形内外部的判定，从简单的向量变换到复杂的相机运动模拟，这些基础运算始终贯穿其中。今天，我们就从图形学应用视角，拆解向量叉乘与矩阵运算的定义、性质及实战价值，为后续的图形学学习筑牢根基。✨

一、向量叉乘：突破平面的向量运算💫

提到向量运算，点积是大家的老熟人，但叉乘作为另一种乘法运算，与点积有着本质区别------点积的结果是标量，而叉乘的结果是全新的向量，这一特性也让它成为处理三维空间问题的关键。

1. 叉乘的核心定义

叉乘的输入是两个三维向量 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b ，输出的向量 c ⃗ = a ⃗ × b ⃗ \vec{c}=\vec{a}×\vec{b} c =a ×b 有着明确的几何特征： c ⃗ \vec{c} c 同时垂直于 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b ，也就意味着 c ⃗ \vec{c} c 垂直于 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 所在的整个平面，是跳出原平面的三维向量。

从大小来看， c ⃗ \vec{c} c 的模长为 ∣ a ⃗ ∣ × ∣ b ⃗ ∣ × s i n θ |\vec{a}|×|\vec{b}|×sinθ ∣a ∣×∣b ∣×sinθ （ θ θ θ 为 a ⃗ \vec{a} a 与 b ⃗ \vec{b} b 的夹角）；而方向的判定，需要借助右手螺旋定则 ：伸出右手，四指沿 a ⃗ \vec{a} a 旋转至 b ⃗ \vec{b} b 的方向，大拇指所指的方向，就是 c ⃗ \vec{c} c 的方向。

2. 叉乘的关键性质

叉乘的运算性质是其应用的基础，几个核心特性需要牢牢掌握：

❌不满足交换律 ： a ⃗ × b ⃗ = − ( b ⃗ × a ⃗ ) \vec{a}×\vec{b} = -(\vec{b}×\vec{a}) a ×b =−(b ×a ) ，交换两个向量的顺序，结果向量方向完全相反，仅需添加负号即可转换。
⭕自身叉乘为0向量 ：任意向量与自身叉乘，因夹角 θ = 0 ° θ=0° θ=0° ， s i n θ = 0 sinθ=0 sinθ=0 ，结果为长度为0的0向量（注意是向量，而非数字0）。
✅满足分配律与结合律：与常规运算一致，叉乘的分配律和结合律均成立，为复杂运算的化简提供了可能。

3. 图形学中的核心应用🎯

叉乘并非单纯的数学概念，在图形学中有着极强的实战意义，两大核心应用更是贯穿图形学基础开发：

（1）构建三维右手坐标系

这是叉乘最基础的应用，在三维空间中，若给定x轴和y轴的单位向量，通过 x ⃗ × y ⃗ \vec{x}×\vec{y} x ×y 即可直接得到z轴的单位向量，以此构建的坐标系即为右手坐标系 （图形学教学中主流的坐标系形式）。同理， y ⃗ × z ⃗ = x ⃗ \vec{y}×\vec{z}=\vec{x} y ×z =x ， z ⃗ × x ⃗ = y ⃗ \vec{z}×\vec{x}=\vec{y} z ×x =y ，只需掌握右手螺旋定则，即可快速推导。

小贴士：部分图形学API（如OpenGL）采用左手坐标系， x ⃗ × y ⃗ = − z ⃗ \vec{x}×\vec{y}=-\vec{z} x ×y =−z ，开发时需注意坐标系类型的区分。

（2）判定左右与内外部关系

这是叉乘在图形学中最常用的实战技巧，本质是利用叉乘结果的符号判断向量相对位置，核心适用于XY平面（z轴为叉乘结果方向）：

左右判定 ：计算 a ⃗ × b ⃗ \vec{a}×\vec{b} a ×b ，若结果z分量为正，说明 b ⃗ \vec{b} b 在 a ⃗ \vec{a} a 的左侧；若z分量为负，说明 b ⃗ \vec{b} b 在 a ⃗ \vec{a} a 的右侧。
内外部判定 ：这是三角形光栅化、像素着色的基础！对于逆时针/顺时针排列的三角形ABC和待判定点P，分别计算 A B ⃗ × A P ⃗ \vec{AB}×\vec{AP} AB ×AP 、 B C ⃗ × B P ⃗ \vec{BC}×\vec{BP} BC ×BP 、 C A ⃗ × C P ⃗ \vec{CA}×\vec{CP} CA ×CP ，若三个结果的符号一致（均正或均负），则P在三角形内部；若存在符号不同的结果，则P在外部。

特殊情况：若叉乘结果为0，属于图形学中的corner case，可自行定义点在内部或外部，如光线擦过三角形边的相交判定，无统一标准。

二、矩阵运算：图形变换的通用工具🔧

如果说叉乘解决了三维空间的几何判定问题，那么矩阵运算就是图形学中实现所有变换的核心载体------平移、旋转、缩放、错切，所有图形的位置和形态变化，都可以通过矩阵运算来描述和实现。

1. 矩阵的基础认知

矩阵本质是按行和列排列的数值集合，用 m × n m×n m×n 表示其维度（m行n列）。矩阵的基础运算中，数乘（矩阵所有元素同乘一个数）较为简单，而矩阵乘法是核心，也是难点。

2. 矩阵乘法的核心规则

两个矩阵能进行乘法运算的前提：第一个矩阵的列数 = 第二个矩阵的行数（如 3 × 2 3×2 3×2 矩阵可与 2 × 4 2×4 2×4 矩阵相乘，中间的2为匹配维度）。

相乘后的结果矩阵维度为第一个矩阵的行数 × 第二个矩阵的列数 （如 3 × 2 3×2 3×2 × 2 × 4 2×4 2×4 = 3 × 4 3×4 3×4 ）。

而结果矩阵中任意元素的计算，可借助向量点积快速记忆：求结果矩阵第i行第j列的元素，只需取第一个矩阵的第i行、第二个矩阵的第j列，将两个行/列向量做点积即可。

3. 矩阵运算的核心性质

与叉乘类似，矩阵乘法的性质直接决定了运算的逻辑，核心记住这几点：

❌不满足交换律 ： A × B ≠ B × A A×B ≠ B×A A×B=B×A ，矩阵乘法的顺序直接决定结果，图形变换中顺序的改变会导致完全不同的变换效果。
✅满足结合律与分配律 ： ( A × B ) × C = A × ( B × C ) (A×B)×C = A×(B×C) (A×B)×C=A×(B×C) ，结合律的存在让复杂变换的矩阵可以提前合并，提升计算效率；分配律 A × ( B + C ) = A × B + A × C A×(B+C)=A×B+A×C A×(B+C)=A×B+A×C 同样成立。

4. 图形学中的特殊矩阵与操作

在图形学的矩阵应用中，几个特殊矩阵和核心操作是必须掌握的，它们是实现图形变换的基础：

（1）矩阵与向量相乘

图形学中，向量始终被视为列向量 （ m × 1 m×1 m×1 矩阵），矩阵与向量相乘需遵循"矩阵在左，向量在右"，且矩阵的列数等于向量的行数。这一运算也是实现单个向量变换 的核心，比如用 [ − 1 0 0 1 ] \begin{bmatrix}-1&0\\0&1\end{bmatrix} [−1001] 乘以二维向量 [ x , y ] T [x, y]^T [x,y]T ，可实现向量沿y轴的镜像变换，结果为 [ − x , y ] T [-x, y]^T [−x,y]T 。

（2）矩阵转置

将矩阵的行和列互换，即为转置操作（记为 A T A^T AT ），如 3 × 2 3×2 3×2 矩阵转置后为 2 × 3 2×3 2×3 矩阵。核心性质： ( A × B ) T = B T × A T (A×B)^T = B^T × A^T (A×B)T=BT×AT ，乘积的转置需先调换矩阵顺序，再分别转置。

（3）单位矩阵

单位矩阵是对角线上元素均为1，其余为0的对角阵 （如3×3单位矩阵 I 3 = [ 1 0 0 0 1 0 0 0 1 ] I_3=\begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix} I3= 100010001 ），其核心作用是"无操作"： I × A = A I×A=A I×A=A ， A × I = A A×I=A A×I=A ，是矩阵求逆的基础。

（4）矩阵的逆

若矩阵 A A A 与矩阵 B B B 相乘的结果为单位矩阵，即 A × B = B × A = I A×B=B×A=I A×B=B×A=I ，则 A A A 与 B B B 互逆（记为 B = A − 1 B=A^{-1} B=A−1 ）。逆矩阵是实现逆变换 的关键，比如旋转后的图形可通过旋转矩阵的逆矩阵恢复原位置。核心性质： ( A × B ) − 1 = B − 1 × A − 1 (A×B)^{-1} = B^{-1} × A^{-1} (A×B)−1=B−1×A−1 ，与转置性质类似，乘积的逆需先调换顺序再分别求逆。

三、向量运算的矩阵形式：数与形的统一📐

线性代数的魅力在于其统一性，向量的点乘和叉乘，都可以转化为矩阵运算的形式，这一转换让向量运算可以融入矩阵的统一框架，为复杂的图形学算法推导提供了便利。

点乘的矩阵形式 ：向量 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 的点积 a ⃗ ⋅ b ⃗ \vec{a}·\vec{b} a ⋅b ，可表示为 a ⃗ T × b ⃗ \vec{a}^T × \vec{b} a T×b （ a ⃗ T \vec{a}^T a T 为 a ⃗ \vec{a} a 的转置行向量），行向量乘列向量的结果为标量，与点积结果一致。
叉乘的矩阵形式 ：向量 a ⃗ × b ⃗ \vec{a}×\vec{b} a ×b 可转化为对偶矩阵 （记为 A ∗ A^* A∗ ）与 b ⃗ \vec{b} b 的相乘，即 A ∗ × b ⃗ A^* × \vec{b} A∗×b 。只需将向量 a ⃗ \vec{a} a 按特定规则转化为对偶矩阵，再与列向量 b ⃗ \vec{b} b 相乘，结果即为叉乘的向量，这一形式在旋转矩阵的推导中有着重要作用。

四、后续学习指引：从基础到进阶🚀

本次分享的向量叉乘与矩阵运算，是图形学所需线性代数的核心基础，也是相对易懂的部分。后续的图形学学习，将基于这些基础向更复杂的方向推进：

二维/三维图形变换：深入讲解平移、旋转、缩放、错切的矩阵表示，掌握复杂图形的组合变换技巧；
齐次坐标：图形学中实现平移变换的关键，是突破普通线性变换的重要工具；
相机运动模拟：结合矩阵变换与向量运算，实现相机的移动、旋转等三维运动，是3D图形学的核心应用之一。

同时，为了让大家更好地上手后续的实战作业，助教也将搭建作业0的框架，帮助大家完成从理论到实践的过渡，为作业1的实战做好准备。

写在最后📝

线性代数作为图形学的"内功"，看似枯燥的公式和性质，实则是解锁所有图形学特效的钥匙。向量叉乘让我们能判定三维空间的几何关系，矩阵运算让我们能实现任意的图形变换，这些基础内容的掌握程度，直接决定了后续图形学学习的效率。

本次的内容只是图形学基础的起点，后续的学习虽会逐渐变难，但只要筑牢这些底层知识，理清运算的逻辑和应用场景，就能一步步解锁图形学的精彩世界。下一期，我们将深入图形变换的世界，从二维旋转开始，探索矩阵运算的实战魅力，敬请期待！

💬 互动区：你在学习向量叉乘和矩阵运算时，遇到过哪些难点？欢迎在评论区留言交流，一起攻克图形学基础难关！