Пусть A невырожденная n×n матрица. Тогда для нее существует матрица A -1 такая, что
где E — единичная матрица.
A -1 называется обратной к матрице A .
- Нахождение обратной матрицы
- Пример вычисления обратной матрицы
- Онлайн нахождение обратной матрицы
- Что такое обратная матрица
- Обратное — это как?
- Обратная матрица
- Как рассчитать обратную матрицу
- Господи, зачем всё это?
- learnopengl. Урок 1.7 — Трансформации
- Вектора
- Скалярные векторные операции
- Обратный вектор
- Сложение и вычитание
- Длина
- Умножение вектора на вектор
- Скалярное произведение
- Векторное произведение
- Матрицы
- Сложение и вычитание
- Умножение матрицы на скаляр
- Умножение матриц
- Умножение матрицы на вектор
- Единичная матрица
- Матрица масштабирования
- Матрица сдвига
- Матрица вращения
- Комбинирование матриц
- На практике
- 🔥 Видео
Видео:Обратная матрица (2 способа нахождения)Скачать
Нахождение обратной матрицы
Пусть задана матрица A порядка n×n и пусть ранг матрицы A :
Из определения обратной матрицы имеем:
Для нахождения обратной матрицы A -1 , перепишем матричное уравнение (1) в виде
| (2) |
где x i − i-ый вектор столбец матрицы A -1 , которую нужно найти, e i − i-ый вектор столбец единичной матрицы.
Таким образом для нахождения обратной матрицы A -1 нужно вычислить векторы столбцы x i для n систем линейных уравнений (2).
Рассмотрим первую систему линейных уравнений:
Для решения системы линейных уравнений (3) относительно x 1 воспользуемся методом Гаусса.
Аналогичным образом решаются остальные системы линейных уравнений (2).
Наконец группа векторов столбцов x 1 , x 2 , . x n образует обратную матрицу A -1 .
Заметим, что один раз находя матрицы перестановок P 1,P 2, . , P n-1 и матрицы исключений М 1, М 2, . M n-1 (см. страницу Метод исключения Гаусса) и построив матрицу
систему (2) можно преобразовать к виду
- MAx 1 =Me 1 ,
- MAx 2 =Me 2 ,
- .
- MAx n =Me n .
Отсюда находятся x 1 ,x 2 , . x n , при разных правых частях Me 1 , Me 2 , . Me n .
При вычислении обратной матрицы более удобно с правой стороны исходной матрицы добавить единичную матрицу и применять метод Гаусса в прямом и обратном направлениях.
Рассмотрим это на примере.
Видео:Обратная матрицаСкачать
Пример вычисления обратной матрицы
Пусть требуется найти обратную матрицу A -1 для данной матрицы A:
Запишем с правой стороны единичную матрицу:
Выбираем ведущий элемент «4» (т.к. он самый большой по модулю) и переставляем местами первую и третью строки:
Применяем Гауссово исключение для первого столбца:
Переставляем вторую и третью строки и применяем Гауссово исключение для второго столбца:
Третью строку делим на -9/7:
Далее применяем Гауссово исключение в обратном порядке, т.е. третью строку оставляем без изменения, вторую строку суммируем с третьим умноженным на 3/2, первую суммируем с третьим умноженным на -2:
Вторую строку делим на -7/4:
Суммируем первую и вторую строки:
Делим первую строку на «4»:
Таким образом, правая часть полученной матрицы и есть искомая обратная к матрице A:
Видео:Обратная матрица 2x2Скачать
Онлайн нахождение обратной матрицы
Для нахождения обратной матрицы используйте матричный онлайн калькулятор . Для подробного решения используйте калькулятор для вычиления обратной матрицы.
Видео:Матрицы и векторыСкачать
Что такое обратная матрица
Сложная тема из линейной алгебры.
Недавно мы начали говорить о линейной алгебре и матрицах. Сначала всё было хорошо и легко:
Но начав заниматься линейной алгеброй, бывает трудно остановиться. Сегодня мы познакомимся с обратной матрицей и научимся её вычислять. Это навык, который в будущем нам пригодится для решения матричных уравнений.
С точки зрения арифметики материал не сложный. Но он требует вдумчивого чтения для понимания правил. В итоге статья довольно большая, мозги кипят и танки наши быстры.
Читать ли эту статью?
❌ Если вам нужны простые быстрые решения для жизни — нет, можно объявить, что у вас сегодня выходной.
✅ Если вашему мозгу не хватает вызова и новых горизонтов — велком ту зе матрикс.
Видео:Линейная алгебра, 5 урок, Обратная матрицаСкачать
Обратное — это как?
В математике есть взаимно обратные числа. Они получаются так: вы берёте какое-то число, добавляете отрицательную степень и получаете обратное число:
Обратные числа при умножении друг на друга всегда дают единицу:
Видео:Урок 2. Обратная матрица: метод Гаусса, алгебраическое дополнение | Высшая математика | TutorOnlineСкачать
Обратная матрица
В линейной алгебре есть обратные матрицы. По свойствам они напоминают обратные числа: если обычную матрицу умножить на обратную к ней, получится единичная матрица.
Единичная матрица работает как единица с числами: если умножить любое число на единицу, получится исходное число; если умножить любую матрицу на единичную матрицу — получится исходная матрица:
Единичная матрица состоит из единиц и нулей: на диагонали находятся единицы; остальные элементы — нули. Единичные матрицы не используются при расчёте обратных матриц, но без них не получится решать матричные уравнения.
Пример квадратной единичной матрицы размером 5×5. Единичная матрица может быть любого размера — состоять из любого количества строк и столбцов
Видео:Обратные матрицы, пространство столбцов и нуль пространство | Сущность Линейной Алгебры, глава 6Скачать
Как рассчитать обратную матрицу
Для расчёта обратной матрицы нужно выполнить три действия. Пока что не обращайте внимание на термины:
- Разделить единицу на матричный определитель.
- Найти транспонированную матрицу алгебраических дополнений.
- Перемножить полученные значения.
Далее мы по порядку во всём разберёмся.
Формула расчёта обратной матрицы: |A| — матричный определитель; Aᵀᵢⱼ — матрица алгебраических дополнений
Определитель — это особое число, которое «определяет» свойства матрицы.
Порядок вычисления определителя зависит от размера матрицы, которому он соответствует — чем больше матрица, тем сложнее считать определитель. Мы только знакомимся с матрицами, поэтому остановимся на определителях второго и третьего порядка — они подходят для квадратных матриц размером 2×2 и 3×3.
Чтобы найти определитель второго порядка, нам достаточно умножить элементы главной диагонали и вычесть из значения произведение чисел второй диагонали.
Формула для расчёта определителя второго порядка
Пример расчёта определителя второго порядка
Определитель третьего порядка находится путём умножения диагоналей на треугольники. Здесь много операций, поэтому формулу соберём по частям.
Сначала работаем по главной диагонали: идём от верхнего левого элемента и движемся к правому нижнему элементу. Перемножаем элементы между собой.
Считаем определитель третьего порядка: 1-й этап — главная диагональ
Прибавляем к произведению элементов первой диагонали произведение первого треугольника. Основание первого треугольника находится параллельно главной диагонали и состоит из элементов А₂₁ и А₃₂. Вершина — элементА₁₃.
Считаем определитель третьего порядка: 2-й этап — первый треугольник
Прибавляем к полученному результату произведение второго треугольника, в котором основание состоит из элементов А₁₂ и А₂₃, а вершина — А₃₁.
Считаем определитель третьего порядка: 3-й этап — второй треугольник
Вычитаем из полученного значения произведение элементов второй диагонали. Вторая диагональ начинается в левом нижнем углу и идёт в правый верхний угол.
Считаем определитель третьего порядка: 4-й этап — вторая диагональ
Вычитаем произведение элементов третьего треугольника, в котором основание — элементы А₁₂ и А₂₁, а вершина — А₃₃.
Считаем определитель третьего порядка: 5-й этап — третий треугольник
Последний шаг: вычитаем произведение четвёртого треугольника, с основанием из элементов А₂₃ и А₃₂ и вершиной А₁₁.
Считаем определитель третьего порядка: 6-й этап — четвёртый треугольник
Общий вид формулы для расчёта определителя третьего порядка
Пример расчёта определителя третьего порядка
Транспонированная матрица алгебраических дополнений вычисляется в три шага:
- Мы из исходной матрицы находим матрицу миноров.
- Меняем в матрице миноров знак некоторых элементов и получаем матрицу алгебраических дополнений.
- Находим транспонированную матрицу из матрицы алгебраических дополнений.
Алгоритм вычислений матрицы миноров и матрицы алгебраических дополнений зависит от размера исходной матрицы — чем она больше, тем сложнее формула расчёта. Поэтому мы рассматриваем только матрицы второго и третьего порядка.
Чтобы найти матрицу миноров второго порядка, нам нужно последовательно зачеркнуть три элемента исходной матрицы:
- Вычёркиваем первую строку и первый столбец исходной матрицы — получаем первый элемент первой строки матрицы миноров.
- Вычёркиваем первую строку и второй столбец — получаем второй элемент первой строки матрицы миноров.
- Вычёркиваем вторую строку и первый столбец — получаем первый элемент второй строки матрицы миноров.
- Вычёркиваем вторую строку и второй столбец — получаем второй элемент второй строки матрицы миноров.
Когда матрица миноров составлена — меняем знаки элементов второй диагонали и получаем матрицу алгебраических дополнений. Теперь берём эту матрицу и проводим транспонирование — меняем расположение строк и столбцов. Готово.
Пример вычисления матрицы миноров из матрицы второго порядка
Пример вычисления матрицы алгебраических дополнений (Aᵢⱼ ) из матрицы миноров второго порядка
Пример вычисления транспонированной матрицы алгебраических дополнений (Aᵀᵢⱼ), полученной из матрицы миноров второго порядка
Матрица миноров третьего порядка рассчитывается по следующему принципу:
- Последовательно вычёркиваем строки и столбцы.
- Получаем четыре элемента и считаем определитель.
- Записываем результат в матрицу миноров третьего порядка.
Чтобы не запоминать порядок вычёркивания элементов — попробуйте схему:
- Определите элемент, который вы ищете для матрицы. Пусть это будет A₁₁.
- Найдите этот же элемент в исходной матрице и отметьте его точкой.
- Проведите от этой точки две линии: вдоль строки и вдоль столбца.
После вычёркивания останется квадратная двухразмерная матрица, определитель которой равен разности произведений двух диагоналей.
Пример вычисления первого элемента матрицы миноров из матрицы третьего порядка. Треугольник, или греческая дельта, — это обозначение определителя вне матрицы
Матрицу миноров третьего порядка удобно находить на бумаге с помощью ручки, карандаша и ластика — записываете исходную матрицу, карандашом вычёркиваете линии, считаете определитель, вытираете линии и повторяете процедуру. Рекомендуем попробовать и сверить результат с нашими расчётами.
1-я строка 1-й элемент:
1-я строка 2-й элемент:
1-я строка 3-й элемент:
2-я строка 1-й элемент:
2-я строка 2-й элемент:
2-я строка 3-й элемент:
3-я строка 1-й элемент:
3-я строка 2-й элемент:
3-я строка 3-й элемент:
Считаем матрицу алгебраических дополнений: берём матрицу миноров и меняем на противоположный знак в четырёх элементах — изменяем А₁₂, А₂₁, А₂₃ и А₃₂. Транспонируем полученную матрицу и можем переходить к последнему действию.
Получаем из матрицы третьего порядка матрицу миноров
Меняем знаки в матрице миноров и получаем матрицу алгебраических дополнений (Aᵢⱼ)
Пример вычисления транспонированной матрицы алгебраических дополнений (Aᵀᵢⱼ), полученной из матрицы миноров третьего порядка
Мы нашли все компоненты для вычисления обратной матрицы. Осталось их подставить в формулу, перемножить и записать ответ:
Пример вычисления обратной матрицы второго порядка: мы внесли дробь в матрицу, но могли этого не делать — просто так захотелось
Пример вычисления обратной матрицы третьего порядка: мы оставили дробь за пределами матрицы и вынесли из матрицы минус. Матрица — это таблица с числами, поэтому не обращайте внимание, если числа получаются большими или неудобными
Видео:Как находить обратную матрицу - bezbotvyСкачать
Господи, зачем всё это?
Мы понимаем, что это всё кажется совершенно оторванным от жизни. Какие-то миноры, детерминанты, о чём вообще речь?
- Вам не нужно уметь решать все эти уравнения самостоятельно. Для этого давно есть мощные алгоритмы.
- Достаточно понимать, из чего всё это складывается. Вот матрица. Вот некий алгоритм, который делает из этой матрицы какую-то другую матрицу. Это всё просто арифметика, числа туда, числа сюда.
- В конце этого пути мы покажем, как из этих кубиков собрано машинное обучение. И вы увидите, что машинное обучение — это просто много алгебры. Просто арифметика, числа туда, числа сюда.
- И вы понимаете, что никакого искусственного интеллекта не существует. Это всё, от начала и до конца, работа с числами и расчёты по формулам. Просто когда это делается в больших масштабах, создаётся иллюзия осмысленной деятельности. Ключевое слово — иллюзия.
Видео:Обратная матрицаСкачать
learnopengl. Урок 1.7 — Трансформации
Теперь мы знаем как создавать объекты, раскрашивать их и накладывать на них текстуры, но они все еще довольно скучны, поскольку являются статическими объектами. Мы можем попробовать заставить их двигаться изменяя координаты вершин для каждого кадра, но это довольно муторно и требует процессорных вычислений. Есть гораздо более удобный способ для совершения трансформаций над объектом — это применение матриц. Но это не значит, что мы сейчас будем разговаривать про кунг фу и искусственный цифровой мир.
Часть 2. Базовое освещение
Часть 3. Загрузка 3D-моделей
Часть 4. Продвинутые возможности OpenGL
Часть 5. Продвинутое освещение
Матрицы — это очень мощные математические конструкции, которые поначалу пугают, но стоит к ним привыкнуть и они сразу станут крайне полезными. Во время обсуждения матриц требуется также немного углубиться в математику. Также для более склонных к математике читателей я оставлю ссылки на дополнительные ресурсы по этой теме.
Как бы то ни было, для полного понимания трансформаций мы, во первых, должны разобраться с векторами. Основная задача этой главы — дать вам основные математические знания, которые нам понадобятся позже.
Видео:Основные действия с матрицами и векторами в MathCAD 14 (20/34)Скачать
Вектора
В самом простом определении, вектора — это не более чем направления. У вектора может быть направление и магнитуда (также иногда называется модулем или длиной). Вы можете представлять себе вектора в качестве направлений на карте сокровищ: “Сделайте 10 шагов налево, теперь 3 шага на север и теперь 5 шагов направо”. В данном примере “налево” — это направление, а “10 шагов” — это длина вектора. Направления на этой карте сокровищ составляются из 3 векторов. Вектора могут иметь любую размерность, но чаще всего используются двухкомпонентные и четырехкомпонентные вектора. Если вектор двухкомпонентный, то он описывает направление на плоскости (или на 2D графике), если вектор трехкомпонентный, то он описывает направление в трехмерном мире.
Ниже вы можете видеть 3 вектора, каждый из которых представлен в виде (x, y) в качестве стрелок на 2D графике. Поскольку более интуитивно представлять вектора в 2D (чем в 3D), то вы можете думать о 2D векторах, как о 3D векторах, но с нулевой z координатой. До тех пор, пока вектор описывает направление — позиция вектора не меняет его значения. На графике можно увидеть, что вектора v и w одинаковы, хотя из позиции отличаются:
Когда математики описывают вектора, они предпочитают использовать символы нижнего регистра с небольшой черточкой сверху. Пример:
Поскольку вектора зачастую описывают направление — то иногда их тяжело представить в виде позиции. Обычно мы визуализируем вектор следующим образом: мы устанавливаем центр в (0, 0, 0), а затем указываем направление, описанное точкой. Таким образом получается позиционный вектор (также мы можем взять за центр другую точку, а потом сказать “Этот вектор указывает на точку в пространстве из этой точки”). Позиционный вектор (3, 5) будет указывать на точку (3, 5) на графе с основанием (0, 0). С помощью векторов мы можем описывать как направления так и позиции в двухмерном и трехмерном пространствах.
Также мы можем производить над векторами некоторые математические действия.
Скалярные векторные операции
Скаляр — это одно число (или однокомпонентный вектор, если вы хотите продолжать работать с векторами). Во время сложения/вычитания/умножения или деления вектора на скаляр мы просто складываем/вычитаем/умножаем или делим каждый элемент вектора на этот скаляр. Пример:
Где вместо сложения может быть вычитание, умножение или деление.
Обратный вектор
Обращение (отрицание) вектора — это получение вектора, чье направление противоположно исходному. Обратный вектор для вектора, указывающего на северо-восток, будет вектор, указывающий на юго-запад. Для обращения вектора мы просто умножаем вектор на -1. Пример:
Сложение и вычитание
Сложение двух векторов производится покомпонентно. Пример:
Визуально сумма векторов v=(4,2) и k=(1,2) выглядит так:
Также как и с обычным сложением и вычитанием, вычитание векторов — это тоже сложение, но с обратным вторым вектором:
Вычитание векторов друг из друга порождают вектор, который является разницей в позициях операндов:
Длина
Для получения длины (модуля) вектора мы используем теорему Пифагора, которые вы, возможно, помните со школы. Вектор образует треугольник, если представить его компоненты в качестве сторон треугольника:
Поскольку длина сторон (x, y) известна, и мы хотим узнать длину гипотенузы — то мы делаем это следующим образом:
Где ||v|| — это длина вектора v. Такая формула легко расширяется в 3D добалением z^2. Пример расчета длины:
Вычисленное значение: 4.47
Также существует специальный вид векторов, называемый единичными векторами. Особенность таких векторов в том, что их длина всегда равна 1. Мы можем преобразовать любой вектор в единичный делением этого вектора на его длину:
Такой вектор называется нормализованным. Единичные векторы обозначаются с небольшой крышей над буквой. С ними, также, проще работать, поскольку нам приходится заботиться только о направлении такого вектора.
Видео:Урок 1. Матрицы, определитель матрицы и ранг матрицы | Высшая математика | TutorOnlineСкачать
Умножение вектора на вектор
Умножение двух векторов выполняется довольно странно. Нормальное умножение не применимо, поскольку оно не имеет визуального смысла, но у нас есть 2 специфических подхода, из которых можно выбирать во время умножения: первый — скалярное произведение, которое изображается как точка, а второе — векторное произведение, которое изображается как крест.
Скалярное произведение
Скалярное произведение двух векторов эквивалентно скалярному произведению длин этих векторов, умноженное на косинус угла между ними. Если это предложение сбило вас с толку, то посмотрите на формулу:
Где угол между векторами описан как тета. Почему это может быть интересно? Что же, представим если вектора v и k являются единичными векторами. Соответственно формула сокращается до:
Теперь скалярное произведение определяет только угол между двумя векторами. Вы возможно помните, что функция cos становится 0, с углом в 90 градусов ну и 1 с углом 0. Это позволяет легко проверять ортогональны ли вектора или параллельны друг другу (ортогональность означает, что вектора прямоугольны). Если хотите узнать больше про sin или cosine, то рекомендую видео Khan Academy про базовую тригонометрию.
Вы также можете вычислить угол между двумя неединичными векторами, но для этого вам придется разделить результат на длины этих векторов, чтобы остаться только с cos.
Так как же считать скалярное произведение? Скалярное произведение — это умножение компонентов векторов и последующее сложение результатов. Пример:
Для вычисления угла между векторами нам потребуется обратить функцию косинуса (cos^-1) в данном случае — это 143.1 градуса. Таким образом мы эффективно вычислили угол между этими двумя векторами. Скалярное произведение очень полезно во время работы со светом.
Векторное произведение
Векторное произведение возможно только в трехмерном пространстве и принимает на вход два непараллельных вектора, а возвращает вектор, который ортогонален входным. Если входные вектора ортогональны друг другу, то векторное произведение создаст 3 ортогональных вектора. Далее вы узнаете, почему это может быть полезно. Следующее изображение показывает как это выглядит трехмерном пространстве:
В отличии от других операций, векторное произведение не очень интуитивно без углубления в линейную алгебру, так что лучше просто запомнить формулу. Ниже представлено векторное произведение между двумя ортогональными векторами A и B.
Как вы можете видеть, в этой формуле не очень много смысла. В любом случае после всех этих шагов вы получите вектор, который будет ортогонален входным.
Видео:Обратная матрица ➜ 2 способа и проверкаСкачать
Матрицы
Теперь, после того как мы обсудили почти все на счет векторов, настало время углубиться в матрицы. Матрица, обычно, это четырехугольних из набора чисел, символов и/или выражений. Вот пример матрицы 2х3:
Доступ к элементам матрицы осуществляется с помощью (i,j), где i — это строка, а j — это столбец. Вот почему матрица выше называется 2х3 (3 столбца и 2 строки). Такая система — обратна той, что используется в 2D графах (x, y). Для получения значения 4 из матрицы выше, мы должны указать индекс (2, 1) (вторая строка, первый столбец).
Матрицы, по факту, ничего более чем четырехугольные массивы математических выражений. Они также обладают очень приятным набором математических свойств и, также как и вектора, имеют несколько операций — сложение, вычитание и умножение.
Сложение и вычитание
Сложение матрицы со скаляром выполняется следующим образом:
Скаляр просто прибавляется во всем элементам матрицы. Тоже самое происходит и при вычитании:
Сложение и вычитание между двумя матрицами выполняется поэлементно. Таким образом операции сложения и вычитания могут быть применены только к матрицам одинакового размера. Пример:
Тоже самое, только с вычитанием:
Умножение матрицы на скаляр
Также как сложение и вычитание, умножение матрицы на скаляр производится умножением каждого элемента матрицы на скаляр. Пример:
Видео:8. Обратная матрицаСкачать
Умножение матриц
Умножение матриц не очень сложное, но и не такое простое. Умножение имеет несколько ограничений:
- Вы можете умножать только матрицы, где число столбцов первой совпадает с числом строк второй матрицы.
- Умножение матриц не коммутативно. A * B != B * A.
Вот пример умножения двух матриц 2х2:
Сейчас, возможно вы пытаетесь понять, что же тут вообще происходит? Умножение матриц — это комбинация из нормального умножения и сложения с использованием строк левой матрицы со столбцами правой матрицы. Следующее изображение должно внести немного ясности:
В начале мы берем верхнюю строку левой матрицы и левый столбец правой матрицы. Выбранные нами строка и столбец определяет то, какой элемент результирующей матрицы мы собираемся рассчитать. Если бы мы взяли первую строку левой матрицы, то мы собираемся работать с верхней строкой результирующей матрицы, затем мы выбираем столбец в правой матрице, он определяет то, с каким столбцом результирующей матрицы мы работаем. Для вычисления нижнего-правого элемента мы должны выбрать нижнюю строку левой матрицы и правый столбец правой матрицы.
Для вычисления результирующего значения мы перемножаем элементы строки и столбца с помощью обычного умножения. Результаты умножения затем складываются и мы получаем результат. Вот оттуда и идет первое ограничение.
В результате получается матрица размером (n, m), где n — количество строк в левой матрице, а m — количество столбцов в правой матрице.
Если у вас возникла проблема — то не волнуйтесь. Просто продолжайте вычислять руками и возвращайтесь к этому уроку, когда возникают сложности. Вскоре умножение матриц будет на автомате.
Давайте закроем вопрос умножения матриц одним большим примером. Для представления алгоритма использованы цвета. Для тренировки попробуйте сами посчитать результат, а затем сравнить с результатом в примере.
Как вы можете видеть умножение матриц довольно муторный процесс с большим количеством мест, где можно ошибиться. И эти проблемы лишь растут при увеличении размеров. Если вы все еще жаждите больше математических свойств матриц я крайне рекомендую видео Khan Academy.
Умножение матрицы на вектор
Мы уже использовали вектора в прошлых уроках. Мы использовали их, чтобы представлять позиции, цвета и текстурные координаты. Теперь давайте немного углубимся в кроличью нору и расскажем, что вектор — это на самом деле просто Nx1 матрица, где N — это количество компонентов вектора. Если вы чуть подумаете об этом — это имеет смысл. Вектора, прямо как матрицы — массив чисел, но только с 1 колонкой. И как же нам поможет эта информация? Что же, если у нас есть матрица MxN мы сможем ее умножить на Nx1 вектор, так как количество столбцов матрицы равно количеству строк вектора.
Но зачем нам вообще уметь умножать матрицу на вектор? Довольно много различных 3D/2D трансформаций можно выполнить, умножая матрицу на вектор, получая измененный вектор. Если вы все еще не уверены в том, что полностью понимаете текст выше, то вот немного примеров:
Видео:Решение системы уравнений методом обратной матрицы - bezbotvyСкачать
Единичная матрица
В OpenGL обычно работают с матрицами трансформации размерами 4х4 по той причине, что большинство векторов имеет 4 компонента. Самая простая матрица трансформации которую можно обсудить — это единичная матрица. Единичная матрица — это NxN матрица, заполненная нулями, но с 1 по диагонали. Как мы можете заметить эта матрица совершенно не изменяет вектор:
Вектор выглядит нетронутым. Это становится очевидно из правил умножения: первый результирующий элемент — это каждый элемент первой строки матрицы, умноженные на каждый элемент вектора. Поскольку каждый элемент строки равен 0, кроме первого — то мы получаем 1 * 1 + 0 * 2 + 0 * 3 + 0 * 4 = 1. Тоже самое применяется и к остальным 3 элементам вектора.
Вы можете спросить, зачем вообще может понадобится матрица трансформации, которая ничего не трансформирует? Единичная матрица зачастую является отправной точкой для генерации других матриц трансформации и если мы углубимся в линейную алгебру, это также очень удобная матрица для доказательства теорем и решения линейных уравнений.
Видео:Лекция 6. Обратная матрица и ее вычислениеСкачать
Матрица масштабирования
Когда мы масштабируем вектор — мы увеличиваем длину стрелки на величину масштабирования, сохраняя направление. Пока мы работаем в 2 или 3 размерностях мы можем определить масштабирование вектором из 2 или 3 величин, каждая из которых масштабирует одну из осей (x, y или z).
Давайте попробуем масштабировать вектор v = (3,2). Мы будем масштабировать вектор по оси x на 0.5, что сделает его в 2 раза уже; и масштабируем вектор по оси y на 2, что увеличит высоту в 2 раза. Давайте посмотрим как будет выглядеть если мы масштабируем вектор на (0.5, 2). Запишем результат в виде s.
Помните, что OpenGL зачастую работает в 3D пространстве, соответственно для 2D можно оставить Z координату, равную 1. Операция масштабирования, которую мы только что выполнили, является неоднородной, поскольку величина масштабирования для каждой оси различается. Если бы величина масштабирования была бы одинаковой — то такое преобразование называется однородным.
Давайте построим матрицу трансформации которая выполнит для нас масштабирование. Мы уже увидели на единичной матрице, что диагональный элемент будет умножен на соответствующий элемент вектора. Что если мы заменим единицы в единичной матрице на тройки? В таком случае мы умножим все элементы вектора на это значение. Соответственно если мы представим величины масштабирования как (S1, S2, S3) то мы сможем определить матрицу масштабирования для любого вектора (x, y, z):
Заметьте, что 4 элемент вектора равняется 1. Этот компонент обозначается как w и будет потом использован для других задач.
Матрица сдвига
Сдвиг — это процесс добавления одного вектора к другому для получения нового вектора с другой позицией, то-есть сдвиг вектора на основании вектора сдвига. Мы уже обсуждали сложение векторов, поэтому для вас это не будет чем-то новым.
Также как и с матрицей масштабирования в матрице 4х4 есть несколько позиций для выполнения требуемых операций, для сдвига — это верхние 3 элемента четвертой колонки. Если мы представим вектор сдвига как (Tx, Ty, Tz) — то мы можем определить матрицу сдвига следующим образом:
Это работает, потому что все значения вектора умножаются на w компонент вектора и складываются с начальным значениями. Это было бы невозможно при использовании матриц 3х3.
Гомогенные координаты
Компонента вектора w также называется гомогенной координатой. Для получения 3D вектора из гомогенной координаты мы делим x, y и z координаты на w. Обычно этого не замечают, так как w большую часть времени равна 1.0. Использование гомогенных координат имеет несколько преимуществ: они позволяют нам выполнять сдвиги на 3D векторах (без w компоненты это было бы невозможно) и в следующей главе мы используем значение w для создания 3D визуализаций.
Также когда гомогенная координата равна 0 — то вектор считается вектором направления, так как вектор с компонентой w равной 0 не может быть сдвинут.
С матрицей сдвига мы можем двигать объекты по всем 3 направлениям (x, y, z), что делает эту матрицу крайне полезной для наших задач.
Матрица вращения
Последние пару трансформаций были довольно просты для понимания и представления в 2D или 3D пространстве, но вращения немного более заковыристые. Если вы хотите узнать как же именно эти матрицы формируются — то я рекомендую видео Khan Academy про линейную алгебру.
Для начала давайте определим что вообще такое — вращение вектора. Вращение в 2D и 3D определяется углом. Угол может выражаться в углах или в радианах, в которых полный оборот — это 360 градусов или 2Pi соответственно. Я предпочитаю работать с градусами, поскольку они более логичны для меня.
Большинство вращательных функций требует угол в радианах, но благо преобразование из одной системы в другую выполнить довольно просто:
Градусы = радианы * (180.0f / PI)
Радианы = градусы * (PI / 180.0f)
Где PI примерно 3.14159265359
Вращение на половину круга — требует от нас вращения на 360/2 = 180 градусов. Вращение на 1/5 направо требует от нас вращение на 360/5 = 72 градуса направо. Вот пример обычного 2D вектора, где v повернут на 72 градуса направо от k.
Вращение в 3D описывается углом и осью вращения. Угол определяет то насколько вектор будет повернут относительно данной оси. При вращении 2D векторов в 3D мире, к примеру, мы установим ось вращения — Z.
С помощью тригонометрии мы можем преобразовывать вектора в повернутые на определенный угол. Обычно это делается хитрой комбинацией sin и cos функций. Обсуждение того, как генерируется матрицы трансформации — выходит за пределы нашего урока.
Матрица вращения определена для каждой оси в 3D пространстве, где угол показан как тета.
Матрица вращения вокруг оси X:
Матрица вращения вокруг оси Y:
Матрица вращения вокруг оси Z:
С помощью матриц вращения мы можем вращать наши вектора по одной из трех осей. Также можно совмещать их, например в начале повернуть по X оси, а потом по Y. Правда такой подход быстро приведет к проблеме, называемый проблемой шарнирного замка (Gimbal Lock). Мы не будем вдаваться в детали, но лучше использовать вращение по конкретной оси, например (0.662, 0.2, 0.722) (заметьте, что это единичный вектор), вместо того, чтобы совмещать вращения по конкретным осям. Матрица для таких преобразований существует и выглядит она следующим образом, где (Rx, Ry, Rz) — это ось вращения:
Математические обсуждения на счет генерации такой матрицы выходят за рамки этого урока. Просто держите в голове, что даже такая матрица не решает проблему шарнирного замка полность (ее просто сложнее получить). Для того, чтобы полностью решить эту проблему нам придется работать с вращениями с помощью кватернионов, которые не просто безопаснее, но еще и гораздо дружелюбнее с точки зрения вычислений. Как бы то ни было обсуждение кватернионов отведено в более поздний урок.
Комбинирование матриц
Для того, чтобы достичь максимальной полезности использования матриц для трансформаций мы должны комбинировать матрицы трансформации в одну матрицу. Давайте посмотрим, сможем ли мы сгенерировать матрицу трансформации, которая будет в себя включать несколько трансформаций. Например у нас есть вектор (x, y, z) и мы хотим масштабировать его в 2 раза и сдвинуть на (1, 2, 3). Для этого нам потребуются матрицы масштабирования и смещения. В результате мы получим что-то вроде:
Заметьте, что во время умножения матриц мы в начале выполняем сдвиг, а потом масштабирование. Умножение матриц не коммутативно, что означает, что порядок умножения важен. Во время умножения матриц правая матрица умножается на вектор, поэтому вам надо читать умножения справа налево. Рекомендуется в начале масштабировать, затем вращать и в конце сдвигать, во время объединения матриц, в ином случае они могут отрицать друг-друга. Например если вы в начале выполните сдвиг, а затем масштабирование, то матрица сдвига тоже будет масштабировать!
В итоге матрица трансформации применяется следующим образом:
Отлично, вектор масштабирован в 2 раза и смещен на (1, 2, 3).
Видео:Обратная матрица #1Скачать
На практике
После того, как мы обсудили всю теорию настало время применять ее на практике. OpenGL не имеет встроенной поддержки матричных или векторных преобразований, поэтому нам придется использовать собственные математические класса и функции. В этих уроках мы абстрагируемся от тонких математических деталей и просто используем готовые математические библиотеки. К счастью уже есть простая в использовании и заточенная под OpenGL математическая библиотека, под названием GLM.
GLM это аббревиатура от OpenGL Mathematics. Эта библиотека является заголовочной, что означает, что нам достаточно подключить требуемые заголовочные файлы. Не нужно заморачиваться ни с линковкой ни с компиляцией. GLM можно скачать с официального сайта. Скопируйте корневую директорию с заголовочными файлами в вашу папку includes и можно начинать.
Большая часть функциональности GLM можно найти в 3 заголовочных файлах:
Давайте посмотрим, сможем ли мы применить наши знания в преобразованиях для сдвига вектора (1, 0, 0) на (1, 1, 0) (заметьте, что мы обозначили из как glm::vec4 с гомогенной координатой равной 1.0):
В начале мы создали вектор названный vec с помощью встроенного в GLM векторного класса. Затем мы определяем mat4, которая является единичной матрицей 4х4. Затем мы создаем матрицу трансформации, передавая нашу единичную матрицу в функцию glm::translate, вместе с вектором сдвига.
Затем мы умножаем наш вектор на матрицу трансформации и выводим результат. Если вы все еще помните как работает матрица сдвига — то вы понимаете, что результирующий вектор должен быть (1+1, 0+1, 0+0), который равен (2, 1, 0). Код выше выводит 210, что означает, что матрица сдвига сделала свою работу.
Давайте попробуем сделать нечто более интересное и попробуем масштабировать, а затем повернуть объект из прошлого урока. В начале мы повернем контейнер на 90 градусов против часовой стрелки. Затем масштабируем его на 0.5 для того, чтобы уменьшить его в 2 раза. Давайте построим матрицу трансформации для этого.
В начале мы уменьшаем контейнер на 0.5, по каждой оси, а затем поворачиваем контейнер на 90 градусов по Z координате. Заметьте, что текстура также повернулась. Поскольку мы передаем матрицу в каждую из GLM функций, GLM автоматически перемножает матрицы, в результате получая матрицу трансформации.
Некоторые версии GLM принимают углы в радианах, а не в градусах. Если у вас такая версия — то преобразуйте градусы в радианы с помощью glm::radians(90.0f).
Следующий большой вопрос — это как передать матрицу трансформации в шейдер? Ранее мы уже говорили, что GLSL имеет тип mat4. Так что нам осталось принять mat4 в качестве uniform переменной и умножить вектор позиции на эту матрицу.
В GLSL также имеются типы mat2 и mat3, которые предоставляют такие же операции, что и вектора. Все затронутые в этой статье операции доступны в матричных типах.
Мы добавили uniform и умножили позиционный вектор на трансформационную матрицу перед тем как передать ее в gl_Position. Наш контейнер теперь должен стать меньше в 2 раза и повернуться на 90 градусов. Но нам все еще надо передать трансформационную матрицу в шейдер?
В начале мы получаем позицию uniform переменной и затем отправляем в нее данные матрицы с помощью функции glUniform с постфиксом Matrix4fv. Первый аргумент должен быть позицией переменной. Второй аргумент сообщает OpenGL сколько матриц мы собираемся отправлять, в нашем случае 1. Третий аргумент говорит требуется ли транспонировать матрицу. OpenGL разработчики часто используют внутренних матричный формат, называемый column-major ordering, который используется в GLM по умолчанию, поэтому нам не требуется транспонировать матрицы, мы можем оставить GL_FALSE. Последний параметр — это, собственно, данные, но GLM не хранит данные точно так как OpenGL хочет их видеть, поэтому мы преобразовываем их с помощью value_ptr.
Мы создали матрицу трансформации, объявили uniform в вершинном шейдере, и отправили матрицу в шейдере с помощью которой мы корректируем вершинные координаты. В результате должно получиться что-то вроде этого:
Отлично! Наш контейнер действительно повернут налево и стал в 2 раза меньше, так что трансформация прошла успешно. А теперь давайте заставим вращаться наш контейнер в реальном времени, а также передвинем его в нижний правый угол. Для того, чтобы это сделать придется производить вычисления при каждой итерации основного цикла. Мы используем функцию GLFW для получения времени, чтобы менять угол со временем:
Держите в голове, что раньше мы могли объявить матрицу трансформации где угодно, но теперь мы создаем ее при каждой итерации, чтобы мы могли обновлять вращение на каждый кадр. Это значит, что мы должны пересоздавать матрицу трансформации на каждой итерации игрового цикла. Обычно, когда на сцене несколько объектов, то их матрицы трансформации пересоздаются с новыми значениями при каждой итерации отрисовки.
Теперь мы вращаем объект вокруг центра (0, 0, 0), а после этого сдвигаем повернутую версию в нижний-правый угол экрана. Помните, что реальная последовательность применения трансформаций читается в обратном порядке: даже в коде мы в начале сдвигаем, а потом поворачиваем, то трансформации применяются в обратном порядке, в начале поворот, затем сдвиг. Понимание всех этих трансформаций и того как они влияют на объекты довольно затруднительно. Попробуйте поэкспериментировать с трансформациями и вы быстро с ними свыкнитесь.
Если вы все сделали правильно — то вы получите что-то вроде этого:
Вот и все. Сдвинутый контейнер, поворачивающийся с течением времени, и все это выполнено с помощью одной матрицы трансформации! Теперь вы можете видеть, почему матрицы настолько сильны в графическом мире. Мы можем определить безграничное количество трансформаций и совмещать их в одну матрицу для последующего повторного использования. Использование подобных трансформаций в вершинном шейдере позволяет нам не менять вершинные данные, что сохраняет нам процессорное время, поскольку нам не требуется отправлять данные в буфер.
Если вам не удалось получить правильный результат или вы где-то застряли — то взгляните на исходный код вместе с вершинным и фрагментным шейдерами.
В следующем уроке мы обсудим как использовать матрицы для определения различных координатных пространств для наших вершин. Это будет новым шагом в мир 3D графики в реальном времени!
🔥 Видео
Обратная матрица. Как найти обратную матрицу C++. Обратная матрица на C++.Скачать
Решение системы уравнений методом обратной матрицы.Скачать
Матрицы: начало. Высшая математикаСкачать
Математика это не ИсламСкачать