数学基础（一）：线性代数核心——向量、矩阵运算、特征值与特征向量在三维空间变换中的应用
说实话，做三维重建这些年，我见过太多人一上来就猛怼深度学习框架，结果连点云怎么旋转都搞不明白。嗯，线性代数这东西，就像你手里的螺丝刀——你不会用，再好的相机也拧不紧。今天咱们就把这螺丝刀磨锋利了。
1. 向量：三维空间的“坐标信使”
向量是什么？说白了就是带方向和大小的箭头。在三维重建里，每个三维点都是一个向量：p = (x, y, z)。我习惯把向量想象成“从原点出发的箭头”，指向空间中的某个位置。
核心操作：
- 点积（内积）：a · b = |a||b|cosθ。用来算夹角、投影长度。我在做点云配准时，经常用点积判断两个法向量是否朝向一致。
- 叉积（外积）：a × b = 垂直于a和b的向量。这个太重要了——求平面法向量、计算旋转轴，全靠它。
举个例子，你有一面墙的点云，想算它的法向量。随便选三个不共线的点，构造两个向量，叉积一算，法线就出来了。我当年第一次手动实现这个，兴奋得差点把咖啡洒键盘上。
// 伪代码：计算三角形法向量
vec3 a = p2 - p1;
vec3 b = p3 - p1;
vec3 normal = cross(a, b); // 叉积
normal = normalize(normal); // 归一化避坑指南：我曾经在项目里直接用未归一化的法向量去算光照，结果渲染出来一片漆黑。记住：叉积结果的长度是|a||b|sinθ，不归一化的话，长度会随三角形大小变化，导致后续计算全乱套。
2. 矩阵运算：空间变换的“翻译官”
矩阵就是把多个向量排成方阵。在三维重建里，矩阵干三件事：旋转、缩放、平移。你想想看，一个三维点从相机坐标系转到世界坐标系，背后就是矩阵乘法。
我习惯用4×4齐次矩阵，为什么？因为平移没法用3×3矩阵表示，加一个维度（齐次坐标）就能把旋转和平移统一成一次乘法。这招在OpenGL和点云库里随处可见。
| 变换类型 | 矩阵形式（4×4） | 作用 |
|---|---|---|
| 平移 | [1 0 0 tx; 0 1 0 ty; 0 0 1 tz; 0 0 0 1] | 移动物体位置 |
| 旋转（绕Z轴） | [cosθ -sinθ 0 0; sinθ cosθ 0 0; 0 0 1 0; 0 0 0 1] | 绕Z轴转θ度 |
| 缩放 | [sx 0 0 0; 0 sy 0 0; 0 0 sz 0; 0 0 0 1] | 各方向缩放 |
矩阵乘法不满足交换律，这个坑我踩过。先旋转再平移，和先平移再旋转，结果完全不同。你想想看，一个物体先转90度再往右移，和先往右移再转90度，位置能一样吗？
注意：矩阵乘法顺序是从右往左读。比如 M = T × R，意思是先应用R（旋转），再应用T（平移）。我见过有人写反了，结果点云飞到天上去。
3. 特征值与特征向量：找到“不变的方向”
这个概念听起来玄乎，其实特简单。对于一个矩阵A，如果存在向量v和标量λ，使得 A·v = λ·v，那么v就是特征向量，λ就是特征值。说白了：矩阵A对v只做拉伸，不做旋转。
在三维重建里，特征值分解最经典的应用是主成分分析（PCA）。我做过一个项目，要自动识别点云中的平面。用PCA算协方差矩阵的特征值和特征向量：最小特征值对应的特征向量就是法向量，最大特征值对应的就是主方向。
// 伪代码：PCA求点云法向量
Matrix3x3 cov = computeCovariance(pointCloud);
EigenValues ev = solveEigen(cov);
// 最小特征值对应的特征向量 = 法向量
vec3 normal = ev.vectors[ev.minIndex];为什么特征值大小有意义？
- 三个特征值差不多大 → 点云分布均匀（球状）
- 一个很大，两个很小 → 点云呈线状（比如墙角线）
- 两个很大，一个很小 → 点云呈面状（比如墙面）
这个判断我在做点云分割时天天用，比肉眼判断准多了。
4. 知识体系总览
下面这张图是我自己总结的，把向量、矩阵、特征值在三维重建里的关系串起来了。你看一遍，心里就有谱了。
5. 实战中的避坑经验
最后分享几个我踩过的坑，希望能帮你省点时间：
- 矩阵求逆要小心：不是所有矩阵都可逆。旋转矩阵一定可逆（逆就是转置），但投影矩阵不可逆。我曾在代码里直接调用inverse()，结果程序崩了——矩阵是奇异的。
- 特征值分解的数值稳定性：当两个特征值非常接近时，对应的特征向量可能不稳定。我建议用SVD（奇异值分解）代替，更鲁棒。
- 坐标系习惯：OpenCV用右手系，Unity用左手系。矩阵运算结果不一样。我吃过这个亏，点云在OpenCV里看着正常，导入Unity就镜像了。
我的习惯：每次写矩阵运算前，先画个坐标系草图，标清楚x、y、z方向。别嫌麻烦，这能省下后面两小时的调试时间。
好了，线性代数这部分就聊到这儿。记住：向量是砖，矩阵是墙，特征值是墙里的钢筋。把这三样玩明白，三维重建的骨架你就搭起来了。