前言

前面一些章节主要针对各种矩阵变换，模型变换、视图变换、投影变换、屏幕空间变换等等！这一节咱们补充一下多边形剪裁算法的内容，主要讲解一下为什么需要，以及介绍二、三维下三角形裁剪的基本思路。

正文

为什么需要多边形剪裁算法？

以三角形为例，经过了视图变换和投影变换后，咱们已经将三角形所有的顶点坐标转换成了裁剪空间的坐标，咱们得目标只是为了获得 $[-1,1{]}^3$ 包围盒内的顶点构成的三角形，但是必定有些三角形的顶点既有在立方体内部的，也有在外部的，这时候必定需要对其进行转化，从而变成内部的！

以二维举例：以下为三角形裁剪的示意图：

我们发现，其实二维下的三角形的顶点分支大致分为三类情况：

• （1）三角形的三个顶点都在可视坐标范围内。这种情况不需要裁剪
• （2）三角形的三个顶点既有可视坐标范围内，也有可视范围外。这种情况就是裁剪算法发挥的地方！
• （3）三角形的三个顶点都不在可视坐标范围内。这种情况不需要裁剪

我们发现上述的绿色三角形在可视范围内是一个类似楔形的四边形，这时候需要对其分割成两个三角形才行！其他更多情况，大家可自行画示意图理解即可！

前置知识

二维直线

直线方程：

二维空间下，直线方程一般有几种表达形式，如：$y=kx+b,ax+by-c=0$ 等等，但是为了工程方面的应用，可以用向量进行表达，如下：
$$\begin{array}{rl}ax+by& =d\\ \left(\begin{array}{c}a\\ b\end{array}\right)\cdot \left(\begin{array}{c}x\\ y\end{array}\right)& =d\end{array}$$
记 $\vec{n}=\left(\begin{array}{c}a\\ b\end{array}\right)$ 且它为单位向量，$\vec{p}=\left(\begin{array}{c}x\\ y\end{array}\right)$，则带入上式可得：$\vec{n}\cdot \vec{p}=d$

上式表达的本质，可理解为：所有满足向 $\vec{n}$​ 投影长度为d的点集合，示意图如下：

距离本质：

当d值变化时，表达的是沿着$\vec{n}$ 方向滑动的变化情况，当$d>0$，往$\vec{n}$ 指向的方向进行滑动，当$d<0$，往反方向滑动，当$d==0$​ 时，则表达过原点的直线！如下图所示：

点和直线距离关系：

当我们将空间中任一点 $p_0=(x_0,y_0)$，带入上述方程，究竟代表什么含义呢？

其实我们得到的就是 $p_0$ 在 $\vec{n}$ 上的一个投影，具体如下：
$$\begin{gathered} \vec{n}\cdot {\vec{p}}_0-d>0，则表示该点在直线的\vec{n}方向正侧 \\ \vec{n}\cdot {\vec{p}}_0-d<0，则表示该点在直线的\vec{n}方向反侧 \\ \vec{n}\cdot {\vec{p}}_0-d=0，则表示该点就在直线上 \end{gathered}$$
示意图如下所示：

三维平面

平面方程

根据二维直线表达，同理在三维中，一个平面方程可表达成：$ax+by+cz=d$，同理记 $\vec{n}=\left(\begin{array}{c}a\\ b\\ c\end{array}\right)$，$\vec{p}=\left(\begin{array}{c}x\\ y\\ z\end{array}\right)$

则可得到 $\vec{n}\cdot \vec{p}=d$

类似的当我们保证$\vec{n}$为单位向量时，此关系式可以理解为三维空间中，所有满足向 $\vec{n}$ 投影长度为d的点集合，其实也就是一个平面，如下图所示：

距离本质：

当d值变化时，表达的是沿着$\vec{n}$ 方向滑动的变化情况，当$d>0$，往$\vec{n}$ 指向的方向进行滑动，当$d<0$，往反方向滑动，当$d==0$ 时，则表达过平面的点！如下图所示：

点和直线距离关系：

当我们将空间中任一点 $p_0=(x_0,y_0,z_0)$，带入上述方程，究竟代表什么含义呢？

其实我们得到的就是 $p_0$ 在 $\vec{n}$ 上的一个投影，具体如下：
$$\begin{gathered} \vec{n}\cdot {\vec{p}}_0-d>0，则表示该点在平面的\vec{n}方向正侧 \\ \vec{n}\cdot {\vec{p}}_0-d<0，则表示该点在平面的\vec{n}方向反侧 \\ \vec{n}\cdot {\vec{p}}_0-d=0，则表示该点就在平面上 \end{gathered}$$
示意图如下所示：

类似的，咱们也可以延伸思维，拓展到高维空间的对应表达形式，从而得出相应的结论！

Suntherland hodgman算法

基本介绍

Sutherland-Hodgman算法是一种用于多边形裁剪的经典计算机图形学算法。它的主要功能是将一个多边形裁剪到一个凸多边形窗口内，输出裁剪后的多边形。该算法由Ivan Sutherland和Gary Hodgman在1974年提出。

基本思想

Suntherland hodgman算法也叫逐边裁剪法，它将待裁剪目标多边形的每条边逐一与裁剪窗口的每条边比较，然后生成新的顶点集合，最终得到裁剪后的多边形。

二维举例

问题描述：

已知多边形有序顶点集合 V = { v 1 , v 2 , . . . , v n } V = \{v_1,v_2,...,v_n\} V={v1​,v2​,...,vn​} ，几组不同的窗口边线表达方程，如：${\vec{n}}_1\ast p=d_1，{\vec{n}}_2\ast p=d_2，{\vec{n}}_3\ast p=d_3，{\vec{n}}_4\ast p=d_4$

核心思路：

• 遍历顶点集合的顺序顶点对 $p_1=(v_1,v_2),p_2=(v_2,v_3),...,p_n=(v_n,v_1)$ ，针对每次顶点对的顶点，带入直线方程进行判定内外情况，从而做出不同的顶点选择
• 针对每个窗口边线方程，进行迭代，得到最终顶点集。每一轮的输入顶点集为上一轮的输出，首轮迭代的输入为多边形有序顶点集！

遍历顶点对的不同情况

假设我们设顶点对的顶点对 $(S,P)$，则有如下几种情况：

• 情况1：S外侧，P内侧 => 不选择顶点
• 情况2：S内侧，P外侧 => 选择交点I
• 情况3：S外侧，P内侧 => 先选择交点I，然后选择P
• 情况4：S内侧，P内侧 => 选择顶点P

算法举例1：

输入顶点集合：0、1、2，如下图：

依次考察右侧边线和顶点对$(0,1)，(1,2),(2,0)$ 的关系，然后做出不同的考察，最终得到顶点集 $(0^{\prime },1,1^{\prime })$ ，咱们将这个结果作为输入，针对另外一测边线进行类似的操作，直到四条边线都迭代完成，最终得到的结果就是 $(0^{\prime },1,1^{\prime })$

算法举例2：

输入顶点集合：0、1、2

先考察上侧边，如下图：

得到结果顶点集合$(0^{\prime },1,2,2^{\prime })$

然后考察右侧边，如下图：

依次类推，另外两边，最终得到结果就是 $(1,1^{\prime },2^{\prime \prime },0^{\prime })$

算法补充：

1、三角形重建

上述得到了剪裁后的多边形顶点序列，但在图形学中，渲染基本以三角形为图元，所以一般还需要多一个步骤：三角形重建。

往往我们都是以第一个顶点固定，后两个顶点从后面以此类推。如上算法举例2结果为例，形成三角形$(1,1^{\prime },2^{\prime \prime })和(1,2^{\prime \prime },0^{\prime })$。

2、交点插值

当出现将内外侧与边线的交点作为顶点选择的时候，咱们如何计算这个交点的位置？又如何计算它的顶点颜色？uv坐标呢？

其实这个问题，在之前的直线插值早已解释过。如下图所示：

那么如何计算PS和边线的交点I呢？

已知P点和S点的属性值和位置，假设边线方程为 $\vec{n}\cdot \vec{p}=d$ ，将外侧顶点S带入，得到有向距离 $d_s=\vec{n}\cdot \vec{S}$，同理，也得到内侧顶点P的有向距离$d_p=\vec{n}\cdot \vec{P}$

这时候我们知道 $d_s>0且d_p<0$ ，前面的前置知识已经给出解释过了。这时候就可以利用之前的知识，求出权重 $ weight = d_s / (d_s - d_p)$

从而求出交点的属性，如下：
$$f(I)=weight\ast f(P)+(1-weight)\ast f(S)$$

三维拓展

在三维情况下，裁剪边变成了裁剪平面，维度上升而已，其实本质没有变化，这里简单介绍一下图形学中的应用。

一般来说，在透视除法之前，会将剪裁空间坐标系下的坐标，进行剪裁操作。从而保证透视除法后，得到正确的包围盒$[-1,1{]}^3$​ 的NDC坐标，并且位于摄像机前方。

因此剪裁空间的坐标必须满足以下不等式：
$$\begin{gathered} w_c>0 \\ -1<\frac{x_c}{w_c}<1 \\ -1<\frac{y_c}{w_c}<1 \\ -1<\frac{z_c}{w_c}<1 \end{gathered}$$

由于咱们需要之前类似的方程形式，所以进行转化为高维平面方程形式：
$$\begin{gathered} 0\ast x_c+0\ast y_c+0\ast z_c+1\ast w_c>0 \\ -1\ast x_c+0\ast y_c+0\ast z_c+1\ast w_c>0 \\ 1\ast x_c+0\ast y_c+0\ast z_c+1\ast w_c>0 \\ 0\ast x_c+-1\ast y_c+0\ast z_c+1\ast w_c>0 \\ 0\ast x_c+1\ast y_c+0\ast z_c+1\ast w_c>0 \\ 0\ast x_c+0\ast y_c+-1\ast z_c+1\ast w_c>0 \\ 0\ast x_c+0\ast y_c+1\ast z_c+1\ast w_c>0 \end{gathered}$$

所以咱们就得到了 $\vec{n}\cdot \vec{p}=0$ 的边界方程表达式，$\vec{n}$ 就是上述每一个方程的系数组成的向量，如 { 0 , 0 , 0 , 1 } ， { − 1 , 0 , 0 , 1 } \{0,0,0,1\}，\{-1,0,0,1\} {0,0,0,1}，{−1,0,0,1}等等，一共7组！

边界方程也有了，需要裁剪的多边形顶点也有了，思路也就类似二维，代码就是体力劳动喽！

结尾：你们的点赞 + 关注就是我创作的最大动力！加油！

希望对各位小伙伴能够有所帮助哦，有任何问题请评论或私信哦，有空一定会回复的哦！永远在学习的道路上伴你而行， 我是航火火，火一般的男人！