模型矩阵分解

简介: 模型矩阵分解

模型矩阵分解

目录

1. 正文

通常来说,模型矩阵(R)的一种比较好的级联方式为:先缩放(S),再旋转(R),最后平移(T):

R=TRSR=T∗R∗S

如果不考虑缩放变换,那么模型变换实际上是一种刚体变换。此时四维模型矩阵的左上角3X3矩阵就是旋转矩阵,第四列就是平移量。但是加上缩放变换,就变成一个复杂的问题了。可以参考GLM的实现:

#include <iostream>
#include <glm/gtx/matrix_decompose.hpp>
#include <glm/gtx/euler_angles.hpp>
#include <glm/gtx/quaternion.hpp>
static void PrintMat(const glm::mat4& m)
{
  for (int i = 0; i < 4; i++)
  {
    for (int j = 0; j < 4; j++)
    {
      printf("%.9lf\t", m[i][j]);
    }
    printf("\n");
  }
}
static void PrintVec3(const glm::vec3& v)
{
  printf("%lf\t%lf\t%lf\n", v.x, v.y, v.z);
}
static void PrintVec4(const glm::vec4& v)
{
  printf("%lf\t%lf\t%lf\t%lf\n", v.x, v.y, v.z, v.w);
}
int main()
{
  //平移矩阵
  glm::vec3 position(100,200,300);
  glm::mat4 translationMatrix = glm::translate(glm::identity<glm::mat4>(),
    position);
  //旋转矩阵
  glm::vec3 eulerAngles(45,60,70);
  glm::mat4 rotationMatrix = glm::eulerAngleYXZ(glm::radians(eulerAngles.y),
    glm::radians(eulerAngles.x), glm::radians(eulerAngles.z));
  //缩放矩阵
  glm::vec3 scalePre(2, 3, 4);
  glm::mat4 scaleMatrix = glm::scale(glm::identity<glm::mat4>(), scalePre);
  glm::mat4 modelMatrix = translationMatrix * rotationMatrix * scaleMatrix;
  glm::vec3 scale;
  glm::quat quaternion;
  glm::vec3 translation;
  glm::vec3 skew;
  glm::vec4 perspective;
  
  glm::decompose(modelMatrix, scale, quaternion, translation, skew, perspective);
    
  PrintVec3(translation);
  PrintVec3(scale);
  PrintVec3(skew);
  PrintVec4(perspective);
  
  glm::mat4 rotationMatrix1 = glm::toMat4(quaternion);
  glm::vec3 euler(0, 0, 0);
  glm::extractEulerAngleYXZ(rotationMatrix1, euler.y, euler.x, euler.z);
  euler.y = glm::degrees(euler.y);
  euler.x = glm::degrees(euler.x);
  euler.z = glm::degrees(euler.z);
  PrintVec3(euler);
}

运行结果如下:

可以看出分解出来的缩放、旋转、平移和级联前的一致。

除了缩放、旋转和平移,GLM提供的模型矩阵分解的函数接口glm::decompose()还提供一个skew参数和perspective参数,暂时没弄明白其具体含义,留待以后研究。

2. 参考

  1. glm - Decompose mat4 into translation and rotation?
  2. GLM_GTX_matrix_decompose

分类: OpenGL

标签: GLM , 矩阵分解 , 模型矩阵


相关文章
|
3月前
|
机器学习/深度学习 搜索推荐 算法
推荐系统的矩阵分解和FM模型
推荐系统的矩阵分解和FM模型
31 0
|
8月前
|
机器学习/深度学习 数据可视化 算法
R语言拟合改进的稀疏广义加性模型(RGAM)预测、交叉验证、可视化
R语言拟合改进的稀疏广义加性模型(RGAM)预测、交叉验证、可视化
|
8月前
|
自然语言处理 算法 数据挖掘
R语言中的隐马尔可夫HMM模型实例
R语言中的隐马尔可夫HMM模型实例
|
8月前
|
人工智能 搜索推荐 物联网
DoRA(权重分解低秩适应):一种新颖的模型微调方法_dora模型
DoRA(权重分解低秩适应):一种新颖的模型微调方法_dora模型
407 0
|
机器学习/深度学习 数据采集 资源调度
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵
181 0
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵
|
机器学习/深度学习
神经网络模型在实际数学模型中的运用
图 1 表示出了作为人工神经网络(artificial neural network,以下简称NN)的基本单元的神经元模型
83 0
|
机器学习/深度学习 人工智能 算法
【Pytorch神经网络理论篇】 24 神经网络中散度的应用:F散度+f-GAN的实现+互信息神经估计+GAN模型训练技巧
MINE方法中主要使用了两种技术:互信息转为神经网络模型技术和使用对偶KL散度计算损失技术。最有价值的是这两种技术的思想,利用互信息转为神经网络模型技术,可应用到更多的提示结构中,同时损失函数也可以根据具体的任务而使用不同的分布度量算法。
577 0
|
机器学习/深度学习 存储 人工智能
【Pytorch神经网络基础理论篇】 08 Softmax 回归 + 损失函数 + 图片分类数据集
【Pytorch神经网络基础理论篇】 08 Softmax 回归 + 损失函数 + 图片分类数据集
273 0
|
机器学习/深度学习 并行计算 搜索推荐
推荐系统总结(交替最小二乘法、LightFM、神经网络矩阵分解和神经协同过滤)
在社交媒体网络上,有大量的半结构化数据。该任务的数据集是从在线照片共享社交媒体网络 Flickr 收集的。Flickr 允许用户分享照片并相互交流(朋友)。目标是向访问此社交媒体平台的大量数据的每个用户推荐对象(图片)列表。训练数据集包含一组用于构建推荐系统的用户和项目(照片)之间的交互,包含评分基本事实的验证数据用于决定最终模型。除测试数据外,其余数据集不用于分析。
569 0