投影矩阵的计算过程
标准正交基所张成的r4子空间上的正交投影的矩阵
标准正交基所张成的r4子空间上的正交投影的矩阵
标准正交基所张成的R^4子空间上的正交投影的矩阵可以通过以下步骤得到：
假设你的标准正交基是{e1, e2, e3}，那么这些向量构成的矩阵E是：
E = [e1 e2 e3]
由于是正交基，所以E的转置乘以E就是单位矩阵I：
E^T * E = I
现在，假设你有一个向量v在R^4中，你希望找到它在由e1, e2, e3张成的子空间上的正交投影。
这个投影可以通过以下公式找到：
proj = E * (E^T * E)^(-1) * E^T * v
注意，因为E^T * E = I，所以(E^T * E)^(-1)实际上就是I。
因此，公式可以简化为：
proj = E * E^T * v
所以，正交投影的矩阵就是E * E^T。
请注意，这只是在由e1, e2, e3张成的子空间上的正交投影。
如果你希望在整个R^4空间上进行正交投影，那么投影矩阵将是单位矩阵I，因为任何向量在其自身空间上的投影就是它自身。
以上是在假设你的子空间是由前三个标准基向量张成的情况下得出的结果。
如果你的子空间是由不同的标准正交基向量张成的，你需要用那些向量来构造矩阵E，然后按照上述步骤进行计算。
深入解析投影矩阵的数学方法
深⼊解析投影矩阵的数学⽅法
齐次空间
要理解3d的齐次空间，我们先理解2d的齐次空间。
2d的齐次空间可以理解为三维空间上的向量在(x, y, 1)平⾯上的投影. 投影结果是(x/z, y/z, 1) 齐次矩阵
齐次矩阵能够对向量做仿射变换，也就是能够将平移加⼊到矩阵中，这是3*3矩阵做不到的。
⽽4*3矩阵虽然也能做仿射变换，但是不能求逆矩阵，因为不是⽅阵。
-齐次矩阵的透视投影
空间坐标与其投影到投影平⾯上的坐标的关系：
我们构造齐次矩阵来实现这样的计算
平截头体
这样构造矩阵，得到齐次向量，然后⽤x,y,z分量除以w分量就得到真实的(x,y,z).
真正的投影也是在这⼀步发⽣的。
这个在shader⾥⾯做。
计算缩放系数
fov为90°的时候，就相当于透视投影的⽐例为1:1.当fov变动的时候，投影的⽐例也会跟着变动。
焦距越⼤，fov就越⼩，像在投影平⾯的⽐例就越⼤，这就是长焦镜头。
缩放系数和视场⾓有关系，最终会提现在x⽅向和y⽅向的缩放分量上。
计算缩放系数
透视投影矩阵
先看看构造好的投影矩阵
x,y⽅向的缩放：主要是将相机坐标系下的坐标
zoomx 在x⽅向的缩放值
zoomy 在y⽅向的缩放值
z⽅向缩放：主要是为了将z值归⼀化到-1到1之间
(f+n)/(f-n) 在z⽅向的缩放量
z⽅向平移：主要是为了将z值归⼀化到-1到1之间
-2nf/(f-n) 在z⽅向的平移量
设备空间。
矩阵论13
2. 由满秩分解求广义逆 进行满秩分解： 对 A 进行满秩分解： A = FG ， A ∈ Cm×n ， F ∈ Crm×r ， G ∈ Cr×n r r 定理： 定理： 设 A ∈ Cm×n ，其满秩分解为 A = FG ，则 r i = 1,2,4 （1） G(i ) F(1) ∈ A {i} ） 作业 P295 1、4 、 i = 1,2,3 （2） G(1) F(i ) ∈ A {i} ） （3） G(1) F+ ∈ A {1, 2, 3} ， G+ F(1) ∈ A {1, 2, 4} ） （4） A + = G + F(1,3) = G(1,4) F+ ） （5） A + = G+ F+ = GH (GGH )−1 (FH F)−1 FH = GH (FH AGH )−1 FH ） 证明：利用定义证明（ ） ， （2） （2） 证明：利用定义证明（1） ） 由（1） ）⇒（3）⇒（4）⇒（5） （ ） （ ） ） ）
moorepenrose一投影算子与投影矩阵的投影的变换称为沿着m到l的投影算子记为投影算子是线性变换其矩阵称为投影矩阵仍记为变到子空间l
投影矩阵与Moore-Penrose逆 第十三讲 投影矩阵与 逆
一、投影算子与投影矩阵
设 L、M 为 Cn 的子空间并构成直和 L + M = L ⊕ M = Cn 。即 、 ∀x ∈ Cn ，存在唯一的 y ∈ L, z ∈ M 使 x=y+z，称 y 为 x 沿着 M 存在唯一的 ， 投影。 到 L 的投影。
PL = [ X O] [ X Y ] = [ X O] [ X Y ]
−1
{
H
[ X Y ]} [ X Y]
透视投影矩阵深入原理剖析（转载）
透视投影矩阵深入原理剖析（转载）透视投影是3D固定流水线的重要组成部分，是将相机空间中的点从视锥体(frustum)变换到规则观察体(Canonical View Volume)中，待裁剪完毕后进行透视除法的行为。
在算法中它是通过透视矩阵乘法和透视除法两步完成的。
透视投影变换是令很多刚刚进入3D图形领域的开发人员感到迷惑乃至神秘的一个图形技术。
其中的理解困难在于步骤繁琐，对一些基础知识过分依赖，一旦对它们中的任何地方感到陌生，立刻导致理解停止不前。
没错，主流的3D APIs如OpenGL、D3D的确把具体的透视投影细节封装起来，比如gluPerspective(…)就可以根据输入生成一个透视投影矩阵。
而且在大多数情况下不需要了解具体的内幕算法也可以完成任务。
但是你不觉得，如果想要成为一个职业的图形程序员或游戏开发者，就应该真正降伏透视投影这个家伙么？我们先从必需的基础知识着手，一步一步深入下去（这些知识在很多地方可以单独找到，但我从来没有在同一个地方全部找到，但是你现在找到了J）。
我们首先介绍两个必须掌握的知识。
有了它们，我们才不至于在理解透视投影变换的过程中迷失方向（这里会使用到向量几何、矩阵的部分知识，如果你对此不是很熟悉，可以参考《向量几何在游戏编程中的使用》系列文章）。
齐次坐标表示透视投影变换是在齐次坐标下进行的，而齐次坐标本身就是一个令人迷惑的概念，这里我们先把它理解清楚。
根据《向量几何在游戏编程中的使用6》中关于基的概念。
对于一个向量v以及基oabc，可以找到一组坐标(v1,v2,v3)，使得v = v1 a + v2 b + v3 c （1）而对于一个点p，则可以找到一组坐标（p1,p2,p3），使得p – o = p1 a + p2 b + p3 c （2）从上面对向量和点的表达，我们可以看出为了在坐标系中表示一个点（如p），我们把点的位置看作是对这个基的原点o所进行的一个位移，即一个向量——p – o（有的书中把这样的向量叫做位置向量——起始于坐标原点的特殊向量），我们在表达这个向量的同时用等价的方式表达出了点p:p = o + p1 a + p2 b + p3 c (3)(1)(3)是坐标系下表达一个向量和点的不同表达方式。
单应矩阵和投影矩阵
单应矩阵和投影矩阵单应矩阵和投影矩阵一、单应矩阵单应矩阵是在计算机视觉、模式识别和计算机图形学等领域中广泛应用的一种数学工具。
它用于描述在二维或三维空间中的平面或立体物体之间的映射关系。
单应矩阵可以将一个空间中的点映射到另一个空间中的点，从而实现图像处理和计算机图形学中的许多应用。
列表一：单应矩阵的定义和表示1.1 定义单应矩阵，也称为齐次变换矩阵或投影矩阵，是指将一个空间中的点映射到另一个空间中的点的线性变换。
1.2 表示单应矩阵可以用一个矩阵来表示，形如H = [h1, h2, h3]，其中hi表示单应矩阵的每一列。
列表二：单应矩阵的应用2.1 相机校正在计算机视觉中，相机校正是一项重要任务。
通过计算相机的单应矩阵，可以校正相机的畸变，提高图像的质量。
2.2 特征匹配在图像处理中，特征匹配是一项基本任务。
通过计算两幅图像的单应矩阵，可以找到两幅图像中相同特征点的对应关系，从而实现图像拼接、图像配准等算法。
2.3 三维重建在计算机图形学中，三维重建是一项核心技术。
通过计算多幅图像的单应矩阵，可以恢复出物体的三维结构，实现三维重建和虚拟现实等应用。
列表三：单应矩阵的计算方法3.1 最小二乘法最小二乘法是求解单应矩阵的一种常用方法。
它通过最小化残差的平方和，找到使得映射误差最小的单应矩阵。
3.2 直接线性变换法直接线性变换法是求解单应矩阵的另一种方法。
它通过对标定点的坐标进行线性变换，得到标定点在图像中的坐标，从而求解出单应矩阵。
二、投影矩阵投影矩阵是一种线性变换矩阵，用于将物体映射到一个较小的维度的空间中。
它在计算机图形学和机器学习等领域中有广泛的应用。
列表四：投影矩阵的定义和表示4.1 定义投影矩阵是指将一个空间中的点映射到另一个较小维度的空间中的线性变换。
4.2 表示投影矩阵可以用一个矩阵来表示，形如P = [p1, p2, p3]，其中pi表示投影矩阵的每一列。
列表五：投影矩阵的应用5.1 降维在机器学习中，降维是一项重要任务。
投影矩阵、最小二乘法和SVD分解
投影矩阵、最小二乘法和SVD 分解 投影矩阵广泛地应用在数学相关学科的各种证明中，但是由于其概念比较抽象，所以比较难理解。
这篇文章主要从最小二乘法的推导导出投影矩阵，并且应用SVD 分解，写出常用的几种投影矩阵的形式。
问题的提出 已知有一个这样的方程组： Ax b =
其中，,,m n n A R x b R ⨯∈∈
● 当m=n 时，且()ran A n =时，这是一个适定方程组，有唯一解1x A b -=
● 当m <n 时，或者()ran A n <时，这是一个欠定方程组，有无穷多个解。
对于这种情况，我们使用()ran A 中与b 距离最近的向量对应的x 作为最小二乘解。
而相应的()ran A 中的这个向量就是b 在空间()ran A 中的投影。
最小二乘法
几何解法。
投影矩阵的推导
投影矩阵的推导（OpenGL D3D）OpenGL矩阵推导——模型视图变化在三维编程中，模型视图变换是从三维世界到二维屏幕中一个很重要的变换，但是这个变换往往很多人都不太理解，要么是事而非。
而这方面的文章不是太少就是讲的太浅没有真正的理解模型视图变换，本人在这个过程中曾经走过很多歪路，不过好在最终在自己的不懈努力下终于降伏了这只猛虎。
本人就以自己的理解，通过矩阵推导过程一步一步来了解模型视图变化，最后通过两个OpenGl的程序来进一步理解模型视图矩阵。
先从一个基本的模型视图—透视投影变换讲起。
透射投影是将相机空间中的点从视锥体(frustum)变换到规则观察体(Canonical View Volume 以下简称CVV)中，待裁剪完毕后进行透视除法的行为。
透视投影变换是令很多刚刚进入3D图形领域的开发人员感到迷惑乃至神秘的一个图形技术。
其中的理解困难在于步骤繁琐，对一些基础知识过分依赖，一旦对它们中的任何地方感到陌生，立刻导致理解停止不前。
主流的3D APIs 都把透射投影的具体细节进行了封装，从而只需一个函数便可生成一个透射投影矩阵比如gluPerspective()，使得我们不需要了解其算法便可实现三维到二维的转化，然而实事是，一些三维图形或游戏开发人员遇到一些视图矩阵的问题往往会不知所措,比如视景体裁剪。
以下部分内容是从别处那转过来的，主要感谢Twinsen和一个叫丁欧南的高中生。
透视投影变换是在齐次坐标下进行的，而齐次坐标本身就是一个令人迷惑的概念，这里我们先把它理解清楚。
齐次坐标对于一个向量v以及基oabc，可以找到一组坐标(v1,v2,v3)，使得v = v1 a + v2 b + v3 c （1）而对于一个点p，则可以找到一组坐标（p1,p2,p3），使得p–o = p1 a + p2 b + p3 c （2）从上面对向量和点的表达，我们可以看出为了在坐标系中表示一个点（如p），我们把点的位置看作是对这个基的原点o所进行的一个位移，即一个向量——p –o（有的书中把这样的向量叫做位置向量——起始于坐标原点的特殊向量），我们在表达这个向量的同时用等价的方式表达出了点p:p = o + p1 a + p2 b + p3 c (3)(1)(3)是坐标系下表达一个向量和点的不同表达方式。
投影矩阵的计算过程
投影矩阵的计算过程投影矩阵是一种线性变换矩阵，用于将三维空间中的点投影到二维平面上。
投影矩阵在计算机图形学和计算机视觉中经常被使用，例如生成透视投影效果或者在三维场景中进行物体检测。
在计算过程中，首先需要确定投影平面。
常见的投影平面有平行投影平面和透视投影平面两种。
平行投影平面与三维空间平行，通常用于绘制平行投影效果。
透视投影平面通过一个视点与投影平面的插值方式计算投影效果，模拟真实世界中的透视效果。
下面分别介绍平行投影矩阵和透视投影矩阵的计算过程。
1.平行投影矩阵计算过程：平行投影矩阵使用一个正交投影矩阵生成，平行投影矩阵的计算过程如下：1.1确定投影平面的尺寸：根据需要确定投影平面的长度和宽度。
1.2计算投影矩阵的元素：在平行投影矩阵中，x、y、z三个坐标轴的长度比例通常是相同的。
首先，需要确定x和y方向上的比例系数，通常是投影平面的长度和宽度的倒数。
然后，z方向上的比例系数由投影平面的远近关系决定，如果投影平面的远近关系与三维场景的z方向相同，则比例系数为正，否则为负。
最后，将这三个比例系数填入平行投影矩阵的对角线位置上，其他位置上的元素为0。
1.3平移投影平面：平行投影矩阵只能将点投影到位于原点的平面上，如果需要将投影平面平移至指定的位置，可以通过在平行投影矩阵中添加平移矩阵来实现。
平移矩阵的计算过程可以参考矩阵乘法操作。
2.透视投影矩阵计算过程：透视投影矩阵将三维空间中的点投影到一个透视投影平面上，通常通过一个视点与投影平面的插值方式计算投影效果。
2.1确定投影平面的尺寸：根据需要确定投影平面的长度和宽度。
2.2确定视点的位置：根据需要确定视点在三维空间中的位置，常见的视点位置是位于投影平面后方的一些点。
2.3计算透视投影矩阵的元素：透视投影矩阵的元素计算与平行投影矩阵类似，首先需要确定x和y方向上的比例系数，通常是投影平面的长度和宽度的倒数。
然后，z方向上的比例系数由视点与投影平面的插值方式计算，可以根据视点的位置和投影平面的位置来计算出比例系数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
投影矩阵的计算过程3d模型经过世界坐标变换、相机坐标变换后，下一步需要投影变换。
投影变换的目的就是要把相机空间转换到标准视图空间，在这个空间的坐标都是正规化的，也就是坐标范围都在[-1,1]之间，之所以转换到这个空间是为了后续操作更方便。
下面的讨论都是以列向量来表示，这样在变换操作时，采用的是矩阵左乘法，如果采用的是行向量的话，那就相反，矩阵右乘法即是向量在左边乘以变换矩阵。
采用哪种表示并不影响结果，只需要把该种表示下得出的变换矩阵转置一下，就是采用另外一种表示模式需要的结果。
常见的投影有两种，正交投影和透视投影，正交投影相对来说更简单，所以先来看看正交投影。
最简单的正交变换矩阵 1 0 0 0 0 1 0 0 0 0 0 1 这个正交变换是不可逆变换，变换后x和y保留，z变成了0，在实际应用中，更常见的情况是限定x、y、z在一定的范围内的进行投影变换，比如x[l,r],y[b,t],z[n,f]。
那么要把这段空间中的点变换到-1和1之间，只要完成两个变换，首先把坐标轴移到中心，然后进行缩放就可以了。
采用列向量的话，那就是缩放矩阵乘以平移矩阵。
2/(r-l) 0 0 0 1 0 0 -(r+l)/2 2/(r-l) 0 0 -(r+l)/(r-l) 0 2/(t-b) 0 0 x 0 1 0 -(b+t)/2 = 0 2/(t-b) 0 -(t+b)/(t-b) 0 0 2/(f-n) 0 0 0 1 -(n+f)/2 0 0 2/(f-n) -(f+n)/(f-n) 0 0 0 1 0 0 0 1 0 0 0 1 透视投影类比于我们人眼系统，看一个物体，会有远小近大的效果。
在转换到相机空间后，相机是这个空间的原点，和正交投影体是一个长方体或者立方体不同，透视投影体是一个锥体被近平面截取掉头部剩下的空间。
假定仍然采用上面的坐标表示。
在透视投影下，空间上面的任何一点P投影到近平面上某点q，通过三角几何学我们可以得到qx=px*n/pz ,y点同理。
假定直接投影到近平面，则该矩阵很简单,用Ma表示下面的矩阵1 0 0 0 0 1 0 0 0 0 1 0 0 0 1/n 0 则齐次空间某点（x，y，z ，1）被该矩阵转换后变成了(x ,y z, z/n) ,除以z/n,则变成了(nx/z,ny/z,n ,1) 正好吻合上面的公式。
undefined
但是我们知道投影变换需要把坐标变换到-1和1之间，假定先不考虑z轴的变换，在x轴和y轴上面经过上述变换后，已经投影在近平面了，假设近平面xy在[l,r] 和[b,t]之间了，因此只需要和上面的正交投影一样，进行平移和缩放操作就可以了，平移矩阵Mb为 1 0 0 -(l+r)/2 0 1 0 -(t+p)/2 0 0 1 -(f+n)/2 0 0 0 1 以及缩放矩阵Mc 2/(r-l) 0 0 0 0 2/(t-b) 0 0 0 0 2/(f-n) 0 0 0 0 1 McXMbXMa 得到的矩阵为2/(r-l) 0 -(r+l)/（n*(r-l)）0 0 2/(t-b) -(t+b)/（n*(t-b)) 0 0 0 j k 0 0 1/n 0 j k 为未知数，这个矩阵也可以同时乘以n，则变为2n/(r-l) 0 -(r+l)/(r-l) 0 0 2n/(t-b) -(t+b)/(t-b) 0 0 0 j k 0 0 1 0 为了求解J k，我们需要把z变换到-1 和1 因此当z=n时为-1，z=f时为1 (j*n+k)/n= j+k/n=-1; 同理j+k/f=1; 得到k=2f*n/(n-f) j=-(n+f)/(n-f) 代入上面的矩阵，就得出通用的正交变换矩阵。
而且在一般情况下r=-l ，b=-t
因此上述矩阵可以简化为n/r 0 0 0 0 n/t 0 0 0 0 -(n+f)/(n-f) 2f*n/(n-f) 0 0 1 0 n/r 和n/t可以进一步简化成水平半视角和垂直半视角的三角函数来表示，而水平视角和垂直视角和透视窗口的宽高比有是成正比的，最终上面两行可以用宽高
比和某个半视角的余切来表示。
这是在列向量情况下得出的投影矩阵，如果采用行向量，只需要把上面的矩阵转置一下即可。