跳至主要內容

齐次坐标与 MVP 变换链

阿豪2026/7/29大约 12 分钟图形学数学基础图形学数学基础w 分量变换链

本篇位置：模块一 · 第 3 篇 ｜ 前置：矩阵与线性变换 ｜ 预计阅读：25 分钟

学习目标

  • 说清楚齐次坐标（homogeneous coordinates）里多出来的第 4 个分量 ww 到底解决了什么问题。
  • 默写 4×4 平移矩阵，并能解释它为什么长成这个形状，而不是死记硬背。
  • 完整走通 MVP（Model-View-Projection）变换链的每一站，说清楚坐标在每一站的空间含义。
  • 知道透视除法（perspective divide）具体发生在管线的哪一步，以及它和裁剪、near/far 平面的关系。

为什么需要第 4 个分量

上一篇结尾留了一个悬念：旋转、缩放、剪切都能写成 2×22\times2（或 3×33\times3）矩阵，唯独平移（translation）不行——因为平移不满足线性变换要求原点不动这条硬性规定。图形学的解法很直接：既然三维空间里塞不下平移，那就人为升到四维，把平移也伪装成一次矩阵乘法。这套技巧叫齐次坐标：每个三维点 (x,y,z)(x,y,z) 额外补上一个分量 ww，写成 (x,y,z,w)(x,y,z,w)，约定当 w≠0w\neq0 时它代表三维点 (x/w, y/w, z/w)(x/w,\,y/w,\,z/w)。当 w=1w=1 时不需要除法，(x,y,z,1)(x,y,z,1) 就直接对应原来的点——这是图形管线里的默认选择。

补上这一维之后，平移终于可以写成矩阵乘法了：

T(tx,ty,tz)=[100tx010ty001tz0001]T(t_x,t_y,t_z)=\begin{bmatrix}1&0&0&t_x\\0&1&0&t_y\\0&0&1&t_z\\0&0&0&1\end{bmatrix}

这个矩阵的构造并不神秘：左上角 3×33\times3 是恒等矩阵，保证 x,y,zx,y,z 原样保留；最后一列的 tx,ty,tzt_x,t_y,t_z 是要加上的偏移量；把它乘在齐次点 (x,y,z,1)T(x,y,z,1)^T 上，矩阵乘法算出来的结果恰好是 (x+tx, y+ty, z+tz, 1)T(x+t_x,\,y+t_y,\,z+t_z,\,1)^T——加法被巧妙地编码成了矩阵最后一列乘以 w=1w=1 再累加的结果。ww 这个分量在这里起的作用，就是给平移量提供一个"总能凑到 1"的开关。

这也解释了为什么 ww 不能随便取值：它不是一个多余的占位符，而是区分"点"与"方向"的开关。w=1w=1 表示一个点（position），受平移影响——把相机往右移，场景里所有点的世界坐标都该跟着变。w=0w=0 表示一个方向（direction），不受平移影响——把上面的平移矩阵乘在 (x,y,z,0)T(x,y,z,0)^T 上，最后一列的 tx,ty,tzt_x,t_y,t_z 全部乘以 00 消失了，结果原样是 (x,y,z,0)T(x,y,z,0)^T。这正是图形代码里法线（normal）、光照方向（light direction）向量的 ww 分量必须填 00 的原因：法线描述的是"哪个方向朝外"，把物体挪个位置不该改变它朝向哪边；如果误把法线的 ww 填成 11，它就会被平移矩阵错误地拖着走，变换结果不再是一个合法的方向向量。这也是第 1 篇里"点减点得向量、点加向量得点"这条代数关系在齐次坐标下的精确表述：w=1w=1 减 w=1w=1 得到 w=0w=0，点减点确实产出了方向。

4×4 变换全家福

有了这一维铺垫，前一篇的旋转、缩放矩阵也可以顺手升到 4×44\times4：把原来的 3×33\times3（或 2×22\times2 推广到三维后的 3×33\times3）矩阵放进左上角，右下角补一个 11，其余位置补 00。以绕 yy 轴旋转为例：

Ry(θ)=[cos⁡θ0sin⁡θ00100−sin⁡θ0cos⁡θ00001]R_y(\theta)=\begin{bmatrix}\cos\theta&0&\sin\theta&0\\0&1&0&0\\-\sin\theta&0&\cos\theta&0\\0&0&0&1\end{bmatrix}

缩放同理，对角线摆上 sx,sy,szs_x,s_y,s_z：diag(sx,sy,sz,1)\mathrm{diag}(s_x,s_y,s_z,1)。这种"升维只加一圈单位边框"的构造对旋转、缩放都成立，因为它们本身不动原点，齐次化之后自然不会牵扯到平移那一列；只有平移利用了最后一列，这也是三种变换在 4×44\times4 矩阵里"各管一块"的直观体现——平移管最后一列，旋转缩放管左上角 3×33\times3 子块。三者组合起来，一个模型经过"先缩放、再旋转、再平移"就是三个 4×44\times4 矩阵相乘（顺序规则和上一篇讲的完全一致：离向量最近的矩阵最先生效）。

这套矩阵不用每次现推，仓库里已经给出一份可以直接拿来跑的参考实现：labs/common/transforms.py，里面的 translate、rotate_y 就是上面两个矩阵的逐字代码化，look_at、perspective、apply 会在接下来两节用到。后续几篇（包括讲投影与深度精度的下一篇）都会直接 import 这个文件，而不是重新推一遍公式。

MVP 变换链

一个顶点从建模软件里的局部坐标，走到屏幕上的一个像素，中间要依次经过好几个坐标空间，每一步都对应一次矩阵乘法：

逐站过一遍职责：局部空间（local/object space）是建模时用的坐标，原点通常在模型自身中心；Model 矩阵把它摆进整个场景，得到世界空间（world space）里的统一坐标；View 矩阵把世界空间搬到以相机为原点、看向固定方向的观察空间（view/eye space）；Projection 矩阵把观察空间的视锥体（frustum）映射成一个规整的立方体，落进裁剪空间（clip space）；裁剪空间的坐标除以自己的 ww 分量（下一节详细展开）得到NDC（normalized device coordinates，归一化设备坐标）；最后 viewport 变换把 [−1,1]3[-1,1]^3 的 NDC 映射成屏幕上的像素坐标。MmodelM_{\text{model}}、MviewM_{\text{view}}、MprojM_{\text{proj}} 三个矩阵依次左乘，正是 MVP 这个名字的由来。

下图用一个立方体实际跑了前三站（世界空间、观察空间、NDC，均省略了最后的 viewport 这一步，因为那只是简单的坐标缩放平移）：

MVP 三阶段

图：同一个立方体在三个空间下的俯视图（左、中）与正视图（右）。左图里星号标记相机位置；中图相机已被搬到原点、视线沿 −z-z 方向（虚线）；右图是透视除法后的 NDC，虚线框是 [−1,1]2[-1,1]^2 的裁剪边界，立方体的近端更大、远端更小，这正是下一节要讲的透视效果。

视图矩阵的本质

View 矩阵常常被讲得很抽象，但它的构造思路其实只有一句话：把"相机怎么摆"这个变换求逆，再作用到全世界身上。如果相机自己经历了一次旋转 RR 和一次平移到 eye 位置的变换，那么"从相机看出去的世界"就应该是这个变换的逆——世界围着相机反着转、反着移，才能让相机在自己的参考系里始终待在原点、看向固定的 −z-z 方向。

labs/common/transforms.py 里的 look_at(eye, center, up) 就是照这个思路写的：先算出相机的右方向 ss、上方向 uu、前方向 ff（f = normalize(center - eye)，s = normalize(cross(f, up))，u = cross(s, f)），这三个向量本该组成相机自身的旋转矩阵 R=[s u −f]R=[s\ u\ -f]（按 OpenGL 约定相机看向 −z-z，所以第三行用 −f-f）。但代码里直接把 s,u,−fs,u,-f 填进了矩阵的行而不是列，这一步就是在利用上一篇讲过的性质：RR 是正交矩阵（各行/列单位长度且两两垂直），求逆等于转置，R−1=RTR^{-1}=R^T——把本该按列摆放的基向量改成按行摆放，写出来的矩阵直接就是 RR 的转置，也就是它的逆，零成本地省掉了一次通用求逆。平移部分同理：不是先转后移，而是要"先撤销相机的平移、再撤销相机的旋转"，所以代码里 M[:3, 3] = [-s @ eye, -u @ eye, f @ eye] 算的是 −RT⋅eye-R^T \cdot \text{eye}，对应完整的逆变换 Mview=R−1T−1=RTT(−eye)M_{\text{view}}=R^{-1}T^{-1}=R^T T(-\text{eye})。理解了这一点，look_at 就不再是一段需要背下来的代码，而是"旋转求逆用转置、平移求逆取负号"这条上一篇结论的直接应用。

透视除法与 w

裁剪空间的坐标 (xc,yc,zc,wc)(x_c,y_c,z_c,w_c) 还不能直接拿来判断"谁近谁远"或者"谁在屏幕内谁在屏幕外"——因为不同顶点的 wcw_c 并不相等。在 perspective 矩阵的约定下，wc=−zvieww_c=-z_{\text{view}}，也就是顶点在观察空间里离相机的距离（沿 −z-z 方向）；离相机越远，wcw_c 越大。这意味着裁剪空间里的坐标值本身混杂着"位置"和"距离"两种信息，两个 xcx_c 相同的顶点，可能一个离得近、一个离得远，直接比较毫无意义。判断顶点是否落在视锥体内，用的也是 −wc≤xc,yc,zc≤wc-w_c\le x_c,y_c,z_c\le w_c 这种带 wcw_c 的裁剪测试，而不是固定阈值。

把这份坐标除以它自己的 wcw_c（(xc/wc, yc/wc, zc/wc)(x_c/w_c,\,y_c/w_c,\,z_c/w_c)），也就是透视除法，才把裁剪空间压平成了统一量纲的 NDC，这一步在整条 MVP 链路里唯一不是矩阵乘法能表示的操作——它是非线性的除法，发生在顶点着色器（vertex shader）算出裁剪坐标之后、光栅化（rasterization）之前，由图形管线的固定功能（fixed-function）阶段自动执行，不需要在着色器代码里手写。

"近大远小"正是这次除法的直接数学后果：把两个大小相同、但一个近一个远的物体想象成裁剪空间里 xcx_c 振幅相近但 wcw_c 不同的两组点——远处物体的 wcw_c 更大，除完之后 xc/wcx_c/w_c 的振幅被压得更小，NDC 里占的宽度更窄，投到屏幕上自然显得更小。这也是为什么第 1 节反复强调 ww 是齐次坐标的核心：它先在裁剪空间里悄悄记下了距离信息，又在除法这一步把距离信息转换成了屏幕上物体大小的变化，一套机制同时完成了"该怎么裁剪"和"该怎么显得近大远小"两件事。

一个数值例子

用 perspective(60°, 1, 0.5, 50) 手算一遍点 (1,1,−5)(1,1,-5) 的完整旅程，和 lab 脚本的实现对照。先展开 perspective 矩阵的公式：fovy=60°\mathrm{fovy}=60° 时 t=1/tan⁡(30°)=3≈1.732t=1/\tan(30°)=\sqrt3\approx1.732，aspect=1=1、near=0.5=0.5、far=50=50，代入得

Mproj=[3000030000−10199−1009900−10]≈[1.732100001.73210000−1.0202−1.010100−10]M_{\text{proj}}=\begin{bmatrix}\sqrt3&0&0&0\\0&\sqrt3&0&0\\0&0&-\frac{101}{99}&-\frac{100}{99}\\0&0&-1&0\end{bmatrix}\approx\begin{bmatrix}1.7321&0&0&0\\0&1.7321&0&0\\0&0&-1.0202&-1.0101\\0&0&-1&0\end{bmatrix}

其中 −far+nearfar−near=−50.549.5=−10199-\frac{far+near}{far-near}=-\frac{50.5}{49.5}=-\frac{101}{99}，−2⋅far⋅nearfar−near=−5049.5=−10099-\frac{2\cdot far\cdot near}{far-near}=-\frac{50}{49.5}=-\frac{100}{99}。把点补成齐次坐标 (1,1,−5,1)(1,1,-5,1) 与 MprojM_{\text{proj}} 相乘（矩阵每一行分别点乘这个向量），逐行算：

  • xc=3×1=3≈1.7321x_c=\sqrt3\times1=\sqrt3\approx1.7321
  • yc=3×1=3≈1.7321y_c=\sqrt3\times1=\sqrt3\approx1.7321
  • zc=−10199×(−5)+(−10099)×1=505−10099=40599=4511≈4.0909z_c=-\frac{101}{99}\times(-5)+\left(-\frac{100}{99}\right)\times1=\frac{505-100}{99}=\frac{405}{99}=\frac{45}{11}\approx4.0909
  • wc=−1×(−5)=5w_c=-1\times(-5)=5

裁剪坐标是 (1.7321, 1.7321, 4.0909, 5)(1.7321,\,1.7321,\,4.0909,\,5)。做透视除法，各分量除以 wc=5w_c=5：

NDC=(35, 35, 911)≈(0.3464, 0.3464, 0.8182)\mathrm{NDC}=\left(\frac{\sqrt3}{5},\,\frac{\sqrt3}{5},\,\frac{9}{11}\right)\approx(0.3464,\ 0.3464,\ 0.8182)

三个分量都落在 [−1,1][-1,1] 之内，说明这个点确实在相机的视锥体范围内，不会被裁剪掉；zz 的 NDC 值 0.81820.8182 比较靠近 11（远平面），符合它离相机（∣z∣=5|z|=5）比 far=50 近得多、但也不算贴着 near=0.5 的直觉。这组数字和 labs/common/transforms.py 里 apply(perspective(60,1,0.5,50), [[1,1,-5]]) 的实际输出完全一致，也是 lab_03_mvp.py 生成插图时立方体各顶点所经历的同一套计算。

🎯 岗位关联

插帧算法里的重投影（reprojection）——用上一帧的 MVP 矩阵和本帧的 MVP 矩阵之差，把上一帧某个像素反推回它在本帧应该出现的位置，从而生成运动矢量（motion vector）或者做时间上的复用——本质上就是把本篇这条变换链在两个不同时刻各走一遍，再比较结果。不理解 Model/View/Projection 各自的空间含义，就看不懂任何一段做 reprojection 或 TAA（temporal anti-aliasing）的代码在算什么。而这套仿射变换、齐次坐标的数学，和你在 Android 图形栈里打交道的 SurfaceFlinger Transform 类是同一件事——图层的位移、旋转、缩放同样可以写成 4×44\times4（或它的二维简化版）矩阵，Transform 类内部维护的矩阵合成逻辑，和这里"先缩放、再旋转、再平移"矩阵右乘的顺序规则完全一致。

小结

空间由谁产生（哪个矩阵/操作）谁负责执行
局部空间 local space—（建模阶段的原始坐标）应用层 / 建模工具
世界空间 world spaceModel 矩阵应用层（CPU 组织场景）
观察空间 view spaceView 矩阵应用层（CPU 设置相机）
裁剪空间 clip spaceProjection 矩阵顶点着色器（输出 gl_Position）
NDC透视除法（÷ ww）固定功能（光栅化前自动执行）
屏幕空间 screen spaceviewport 变换固定功能（按 glViewport 配置执行）

延伸阅读