1.2 向量基础

什么是向量
向量的定义
①向量是有大小和方向的有向线段。
②向量没有位置,只有大小和方向
③向量的箭头是向量的结束,尾是向量的开始
④向量魔术的位移能被认为是宇宙平行的唯一序列
(向量的数组不是向量的位置,而是向量在各个维度上的位移长度)
⑤向量表示:三维(ax,by,zw) 二维(ax,by)1.2 向量基础_第1张图片

 

1.2 向量基础_第2张图片

1.2 向量基础_第3张图片


向量与标量
向量:有大小和方向的有向线段。
标量:只有大小,没有方向的量。
向量与点
向量和点,数学形式上相等,但几何意义完全不同。
点:有位置,没有实际大小和方向。
向量:无位置,有实际大小和方向。
联系:任何一个点都可以看做是从原点出发的向量。

1.2 向量基础_第4张图片

1.2 向量基础_第5张图片


零向量
①零向量是唯一大小为零的向量
②零向量是唯一一个没有方向的量
③零向量不是一个点,因为没有定义某个位置
④零向量表示没有位移,就像零标量表示没有数量一样
如何计算
标量与向量的计算
①不可加
②不可减
③乘法:将每个分量都与标量相乘就可以
④除法:等同于乘以标量的倒数
例:-2(2,-5) = (-4,-10)
例:(6,-2,-4)/ 2 = (3,-1,-2)
⑤几何解释:向量乘以标量的效果是以标量的大小缩放向量的长度,负值方向相反(将向量缩放至k个标量单位)

1.2 向量基础_第6张图片


向量的模长
计算公式:


几何解释:如图所示,当我们将所示向量作为斜边构建成一个直角三角形,所示向量的大小(模长)即可通过三角形勾股定理推出。

1.2 向量基础_第7张图片


例:(-12,5)的模长:sqr(pow(-12,2)+pow(5,2),0.5) = sqr(144+25,0.5)= 13
标准化向量
表转化向量(单位向量)就是大小为1的向量。
(适用范围:仅需要指导方向而不关心其大小。如:法线)
运算法则:将向量除以它的大小(模长)。


例:标准化向量(12,-5)

1.2 向量基础_第8张图片


向量与向量的加减法计算
计算公式:(ax,ay)+(bx,by)=(ax + bx,ay + by)
加法:对应位置相加 例:(1,-4)+(7,5)=(8,1)
减法:对应位置相减 例:(-3,6)-(-4,3)=(1,3)PPT里面的(7,3)写错了
几何解释:
假设有向量(ax,bx)和向量(ay,by)

1.2 向量基础_第9张图片


计算两点间距离:距离公式
计算公式:

1.2 向量基础_第10张图片


应用范围:计算一个了向量到另一个向量的距离(a到b的位移向量为b-a)
几何解释:

1.2 向量基础_第11张图片


向量的点积计算
点积又称点乘、内积
计算公式:(ax,ay)·(bx,by) = (axby+ayby)
例如:(-2,-5,-4)·(-4,1,0)=(-2)(-4)+(5)(1)+(-4)(0)=13
a·b=|a||b|cosΘ
向量点乘就是分量乘积的和,结果是一个标量并满足交换律ab=ba
几何解释:点积描述了两个向量方向的“相似”程度,点积结果越大,夹角越小,两个向量越接近(反馈到渲染上就是面的明暗程度)

1.2 向量基础_第12张图片

1.2 向量基础_第13张图片

1.2 向量基础_第14张图片


向量投影(重要)
投影的几何解释:假设有两个向量V和n,将V分解为两个向量:V∥和V⊥,V∥平行于n,垂直于n,并满足V=V∥+V⊥。则平行分量V∥为V在n上的投影。(解释:一个向量在另一个向量上的投影长度)

1.2 向量基础_第15张图片

1.2 向量基础_第16张图片


向量叉积计算
叉积又称叉乘。两个矢量的叉积 a × b 是与这两个矢量垂直的 矢量

1.2 向量基础_第17张图片


计算公式:a × b = |a| |b| sin(θ) n
○|a|是矢量a的量值(长度)
○|b|是矢量b的量值(长度)
○θ 是a和b之间的角度
○n是与a和b垂直的单位矢量(向量)

1.2 向量基础_第18张图片


长度是:a的长度乘以b的长度乘以a和b之间的角的正弦,然后乘以矢量n来确保结果是指着正确的方向(垂直于a和b)
方向判定:若叉积指着相反的方向,它仍然垂直于相乘的两个矢量,需遵循“右手定则”
把食指指着矢量a的方向,把中指指着矢量b的方向:拇指指着的便是叉积的方向

1.2 向量基础_第19张图片


兰伯特光照模型
兰伯特光照模型是目前最简单通用的模型漫反射光照模型
是光照方向的反方向为L(light)向量,发现方向为N(normal)向量,则有:
L与N方向相同 则Normal·Light=1(纯亮)
L与N方向相反 则Normal·Light=-1(纯黑)
L与N方向垂直 则Normal·Light=0(纯黑)

1.2 向量基础_第20张图片


built-in下的兰伯特光照模型

1.2 向量基础_第21张图片

1.2 向量基础_第22张图片

若有收获,就点个赞吧

小电脑

你可能感兴趣的:(游戏开发,机器学习,线性代数,算法)