数学_向量投影相关

Part 1

你的问题是:

设相机光心的朝向 w = (0, 0, 1)(即朝向正前方,Z 轴正方向),
相机坐标系下有一个平面,其法向量为 n_cam
问:w 在该平面上的投影的单位向量 w_p,是不是等于 w × n_cam(即 w 叉乘 n_cam)?


✅ 简短回答:

❌ 不是。w × n_cam 并不是 w 在平面上的投影向量。

w 在平面上的投影向量 w_p 的正确计算方式,应该是:

wp=w−(w⋅ncam)⋅ncam \boxed{ \mathbf{w}_p = \mathbf{w} - (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } wp=w(wncam)ncam

然后,单位化(归一化) 后才是 单位投影向量

wpunit=wp∥wp∥ \mathbf{w}_p^{\text{unit}} = \frac{\mathbf{w}_p}{\|\mathbf{w}_p\|} wpunit=wpwp


✅ 详细解释


✅ 一、问题拆解

你给出:

  • 相机光心朝向:w = (0, 0, 1),即 Z 轴正方向,代表“前”方向
  • 相机坐标系下有一个 平面,其 法向量是 n_cam(假设是单位向量,若不是需要先归一化)
  • 你想求的是:w 在该平面上的投影的单位向量 w_p

✅ 二、什么是“向量在平面上的投影”?

在几何中:

一个向量 w 在一个平面上的投影,指的是:将该向量“垂直投射”到该平面上,去掉其垂直于平面的分量后,剩下的部分就是它在平面内的投影。


✅ 三、如何求一个向量在平面上的投影?

✅ 步骤:
  1. 已知:

    • 向量:w=(0,0,1)\mathbf{w} = (0, 0, 1)w=(0,0,1)
    • 平面法向量:ncam\mathbf{n}_{\text{cam}}ncam(假设是单位向量,如果不是,请先归一化:ncam=ncam∥ncam∥\mathbf{n}_{\text{cam}} = \frac{\mathbf{n}_{\text{cam}}}{\|\mathbf{n}_{\text{cam}}\|}ncam=ncamncam
  2. 向量 w 在法向量方向上的分量(垂直于平面的分量)为:
    projnw=(w⋅ncam)⋅ncam \text{proj}_{\mathbf{n}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} projnw=(wncam)ncam

  3. 向量 w 在平面上的投影(平行于平面的分量)为:
    wp=w−(w⋅ncam)⋅ncam \mathbf{w}_p = \mathbf{w} - (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} wp=w(wncam)ncam

  4. (可选)单位化得到单位投影向量:
    wpunit=wp∥wp∥ \mathbf{w}_p^{\text{unit}} = \frac{\mathbf{w}_p}{\|\mathbf{w}_p\|} wpunit=wpwp


✅ 四、你提到的叉乘:w × n_cam 是什么?

叉乘(向量积)w×ncam\mathbf{w} \times \mathbf{n}_{\text{cam}}w×ncam 得到的是一个新向量,这个向量:

  • 垂直于 w 和 n_cam 所在的平面
  • 大小等于 |w|·|n_cam|·sinθ
  • 方向由右手定则决定

但它并不是 w 在平面上的投影!

🔴 所以:
w×ncameqwp \mathbf{w} \times \mathbf{n}_{\text{cam}} eq \mathbf{w}_p w×ncameqwp

w × n_cam 与 w 在平面上的投影,是完全不同的概念!


✅ 五、直观理解(结合你的例子)

你设:

  • w = (0, 0, 1),即相机看向正前方(Z 轴)
  • n_cam 是某平面的法向量(比如 (0, 1, 0)、(1, 0, 0)、或任意方向)
例子 1:平面是 XY 平面(法向量 n_cam = (0, 0, 1))
  • 那么 w = (0, 0, 1) 就是平面的法向量本身!
  • w 在该平面上的投影为 0 向量!
  • 因为 w 与法向量平行,完全垂直于平面!

计算:
w⋅ncam=(0,0,1)⋅(0,0,1)=1 \mathbf{w} \cdot \mathbf{n}_{\text{cam}} = (0,0,1) \cdot (0,0,1) = 1 wncam=(0,0,1)(0,0,1)=1
wp=w−1⋅ncam=(0,0,1)−(0,0,1)=(0,0,0) \mathbf{w}_p = \mathbf{w} - 1 \cdot \mathbf{n}_{\text{cam}} = (0,0,1) - (0,0,1) = (0,0,0) wp=w1ncam=(0,0,1)(0,0,1)=(0,0,0)

✅ 没有平面内的分量,投影为零向量。


例子 2:平面法向量 n_cam = (0, 1, 0)(即平面是 XZ 平面)
  • w = (0, 0, 1) 与 n_cam = (0, 1, 0) 垂直
  • 所以 w 完全落在平面内!
  • w 在该平面上的投影就是 w 本身!

计算:
w⋅ncam=(0,0,1)⋅(0,1,0)=0 \mathbf{w} \cdot \mathbf{n}_{\text{cam}} = (0,0,1) \cdot (0,1,0) = 0 wncam=(0,0,1)(0,1,0)=0
wp=w−0⋅ncam=w=(0,0,1) \mathbf{w}_p = \mathbf{w} - 0 \cdot \mathbf{n}_{\text{cam}} = \mathbf{w} = (0,0,1) wp=w0ncam=w=(0,0,1)

✅ 此时投影就是 w 自己,单位向量也是 (0,0,1)


✅ 六、总结回答


❓ 问题:

设 w = (0, 0, 1),n_cam 是相机坐标系下某平面的法向量,那么 w 在该平面上的投影单位向量 w_p,是否等于 w × n_cam?


✅ 答案:

❌ 不等于。

w × n_cam 是 w 与 n_cam 的叉乘结果,是一个垂直于 w 和 n_cam 的新向量,不是 w 在平面上的投影。

正确求 w 在平面上的投影向量 w_p 的公式是:

wp=w−(w⋅ncam)⋅ncam \boxed{ \mathbf{w}_p = \mathbf{w} - (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } wp=w(wncam)ncam

然后再对该向量归一化(单位化),就得到 w 在该平面上的单位投影向量。


✅ 补充公式总结

目标公式
向量 w 在平面法向量 n_cam 上的投影(垂直分量)(w⋅ncam)⋅ncam(\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}}(wncam)ncam
向量 w 在平面上的投影(平行分量)wp=w−(w⋅ncam)⋅ncam\mathbf{w}_p = \mathbf{w} - (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}}wp=w(wncam)ncam
单位投影向量(w 在平面上的方向)wpunit=wp∣wp∣\mathbf{w}_p^{\text{unit}} = \frac{\mathbf{w}_p}{|\mathbf{w}_p|}wpunit=wpwp
w × n_cam 是什么?叉乘结果,垂直于 w 和 n_cam,不是投影!

🔧 总结一句话:

w 在平面上的投影向量,应该通过减去其在法向量方向的分量来求得,而不是通过叉乘。叉乘得到的是另一个垂直向量,与投影无关。


Part2

我们来清晰、严谨地 推导:向量 w\mathbf{w}w 在法向量 ncam\mathbf{n}_{\text{cam}}ncam 方向上的分量(即垂直于平面的分量)的表达式:

projncamw=(w⋅ncam)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } projncamw=(wncam)ncam

这个分量也叫:向量 w\mathbf{w}w 在法向量方向上的投影向量(垂直于平面的部分)


✅ 一、问题描述(先明确符号与目标)


已知:

  • 向量 w\mathbf{w}w:某个方向向量(比如相机朝向、光线方向等),例如 w=(wx,wy,wz)\mathbf{w} = (w_x, w_y, w_z)w=(wx,wy,wz)
  • 法向量 ncam\mathbf{n}_{\text{cam}}ncam:某个平面的 单位法向量(或非单位,但通常我们会先归一化),即垂直于该平面的方向,例如 ncam=(nx,ny,nz)\mathbf{n}_{\text{cam}} = (n_x, n_y, n_z)ncam=(nx,ny,nz)

目标:

推导:向量 w\mathbf{w}w 在法向量 ncam\mathbf{n}_{\text{cam}}ncam 方向上的投影向量(也就是 w\mathbf{w}w 垂直于平面的那个分量)的公式,即:

projncamw= ? \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = \, ? projncamw=?

并证明它等于:

(w⋅ncam)⋅ncam \boxed{ (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } (wncam)ncam


✅ 二、回顾:向量投影的基本概念

在向量空间中,一个向量 w\mathbf{w}w 在另一个向量 n\mathbf{n}n 方向上的投影向量(也称为 标量投影的向量形式)定义为:

projnw=(w⋅n∥n∥2)⋅n或者,如果 n 是单位向量(∥n∥=1),则简化为:projnw=(w⋅n)⋅n \boxed{ \text{proj}_{\mathbf{n}} \mathbf{w} = \left( \frac{\mathbf{w} \cdot \mathbf{n}}{\|\mathbf{n}\|^2} \right) \cdot \mathbf{n} } \quad \text{或者,如果 \(\mathbf{n}\) 是单位向量(\(\|\mathbf{n}\| = 1\)),则简化为:} \boxed{ \text{proj}_{\mathbf{n}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}) \cdot \mathbf{n} } projnw=(n2wn)n或者,如果 n 是单位向量(n=1),则简化为:projnw=(wn)n


✅ 三、推导开始(分两种情况:法向量是否为单位向量)


✅ 情况 1:如果法向量 ncam\mathbf{n}_{\text{cam}}ncam 是单位向量(即 ∥ncam∥=1\|\mathbf{n}_{\text{cam}}\| = 1ncam=1

这是最常见情况,尤其是在几何和图形学中,法向量通常会提前归一化。

那么:

  • 向量 w\mathbf{w}wncam\mathbf{n}_{\text{cam}}ncam 方向上的 投影向量 是:

projncamw=(w⋅ncam)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } projncamw=(wncam)ncam

这就是你给出的公式!

🔍 解释:

  • w⋅ncam\mathbf{w} \cdot \mathbf{n}_{\text{cam}}wncam标量投影(投影长度)
  • 乘以 ncam\mathbf{n}_{\text{cam}}ncam(单位方向向量)就得到了 向量形式的投影

✅ 情况 2:如果法向量 ncam\mathbf{n}_{\text{cam}}ncam 不是单位向量

那么,正确的投影向量公式是:

projncamw=(w⋅ncam∥ncam∥2)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = \left( \frac{\mathbf{w} \cdot \mathbf{n}_{\text{cam}}}{\|\mathbf{n}_{\text{cam}}\|^2} \right) \cdot \mathbf{n}_{\text{cam}} } projncamw=(ncam2wncam)ncam

因为我们要将投影 归一化到 ncam\mathbf{n}_{\text{cam}}ncam 的方向,并按其长度缩放

但通常我们会先对法向量做归一化:

ncamunit=ncam∥ncam∥ \mathbf{n}_{\text{cam}}^{\text{unit}} = \frac{\mathbf{n}_{\text{cam}}}{\|\mathbf{n}_{\text{cam}}\|} ncamunit=ncamncam

然后使用简化公式:

projncamunitw=(w⋅ncamunit)⋅ncamunit \text{proj}_{\mathbf{n}_{\text{cam}}^{\text{unit}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}^{\text{unit}}) \cdot \mathbf{n}_{\text{cam}}^{\text{unit}} projncamunitw=(wncamunit)ncamunit


✅ 四、为什么这个投影向量表示的是“垂直于平面的分量”?

因为:

  • 法向量 ncam\mathbf{n}_{\text{cam}}ncam 定义了平面的 垂直方向
  • 所以 w\mathbf{w}wncam\mathbf{n}_{\text{cam}}ncam 方向上的投影,就是 w\mathbf{w}w 中垂直于平面的那一部分
  • 换句话说:
    垂直于平面的分量=projncamw=(w⋅ncam)⋅ncam \text{垂直于平面的分量} = \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} 垂直于平面的分量=projncamw=(wncam)ncam

向量 w\mathbf{w}w 在平面内的分量(平行于平面的部分) 则是:

w∥=w−projncamw=w−(w⋅ncam)⋅ncam \boxed{ \mathbf{w}_{\parallel} = \mathbf{w} - \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = \mathbf{w} - (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } w=wprojncamw=w(wncam)ncam


✅ 五、总结推导(核心结论)


✅ 若 ncam\mathbf{n}_{\text{cam}}ncam 是单位法向量(推荐):

projncamw=(w⋅ncam)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } projncamw=(wncam)ncam

🔹 这就是你问的公式!它表示:向量 w\mathbf{w}w 在法向量方向上的投影(即垂直于平面的分量)


✅ 若 ncam\mathbf{n}_{\text{cam}}ncam 不是单位向量:

projncamw=(w⋅ncam∥ncam∥2)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = \left( \frac{\mathbf{w} \cdot \mathbf{n}_{\text{cam}}}{\|\mathbf{n}_{\text{cam}}\|^2} \right) \cdot \mathbf{n}_{\text{cam}} } projncamw=(ncam2wncam)ncam

但通常我们会先归一化法向量,然后使用上面更简单的形式。


✅ 六、一句话总结

向量 w\mathbf{w}w 在法向量 ncam\mathbf{n}_{\text{cam}}ncam 方向上的投影(即垂直于平面的分量)为:

projncamw=(w⋅ncam)⋅ncam \boxed{ \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w} = (\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}} } projncamw=(wncam)ncam

前提是:ncam\mathbf{n}_{\text{cam}}ncam 是单位向量(或已归一化)

🔄 如果 ncam\mathbf{n}_{\text{cam}}ncam 不是单位向量,则分母要除以 ∥ncam∥2\|\mathbf{n}_{\text{cam}}\|^2ncam2


✅ 七、附加:几何意义

符号含义
w\mathbf{w}w任意向量(比如视线方向、光线、位移等)
ncam\mathbf{n}_{\text{cam}}ncam平面的法向量(垂直于平面)
projncamw\text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w}projncamw向量 w\mathbf{w}w 在法线方向上的分量 → 即 垂直于平面的分量
w−projncamw\mathbf{w} - \text{proj}_{\mathbf{n}_{\text{cam}}} \mathbf{w}wprojncamw向量 w\mathbf{w}w 在平面内的分量 → 即 平行于平面的分量

🔧 总结一句话:

向量在法向量方向上的投影(垂直于平面的分量)是由点积控制的:(w⋅ncam)⋅ncam(\mathbf{w} \cdot \mathbf{n}_{\text{cam}}) \cdot \mathbf{n}_{\text{cam}}(wncam)ncam,这是线性代数中向量投影的标准公式,几何意义明确,应用广泛。


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/bicheng/98241.shtml
繁体地址,请注明出处:http://hk.pswp.cn/bicheng/98241.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

从RTSP到HLS:构建一个简单的流媒体转换服务(java spring)

从RTSP到HLS:构建一个简单的流媒体转换服务(java spring) 在当今的网络环境中,实时视频流媒体应用越来越广泛,从在线直播到安防监控,都离不开流媒体技术的支持。然而,不同的流媒体协议有着各自的特点和适用场景。本文…

【代码随想录算法训练营——Day15】二叉树——110.平衡二叉树、257.二叉树的所有路径、404.左叶子之和、222.完全二叉树的节点个数

LeetCode题目链接 https://leetcode.cn/problems/balanced-binary-tree/ https://leetcode.cn/problems/binary-tree-paths/ https://leetcode.cn/problems/sum-of-left-leaves/ https://leetcode.cn/problems/count-complete-tree-nodes/ 题解 110.平衡二叉树想到用左子树的高…

JVM新生代/老年代垃圾回收器、内存分配与回收策略

新生代垃圾收集器 1. Serial收集器 serial收集器即串行收集器,是一个单线程收集器。 串行收集器在进行垃圾回收时只使用一个CPU或一条收集线程去完成垃圾回收工作,并且会暂停其他的工作线程(stop the world),直至回收完…

Unity Mirror 多人同步 基础教程

Unity Mirror 多人同步 基础教程MirrorNetworkManager(网络管理器)Configuration:配置Auto-Start Options:自动启动Scene Management:场景管理Network Info:网络信息Authentication:身份验证Pla…

基于红尾鹰优化的LSTM深度学习网络模型(RTH-LSTM)的一维时间序列预测算法matlab仿真

目录 1.程序功能描述 2.测试软件版本以及运行结果展示 3.部分程序 4.算法理论概述 5.完整程序 1.程序功能描述 红尾鹰优化的LSTM(RTH-LSTM)算法,是将红尾鹰优化算法(Red-Tailed Hawk Optimization, RTHO)与长短期…

深度学习“调参”黑话手册:学习率、Batch Size、Epoch都是啥?

点击 “AladdinEdu,同学们用得起的【H卡】算力平台”,注册即送-H卡级别算力,80G大显存,按量计费,灵活弹性,顶级配置,学生更享专属优惠。 引言:从"炼丹"到科学,…

【网络实验】-MUX-VLAN

实验拓扑实验要求: 在企业网络中,企业员工和企业客户可以访问企业的服务器,对于企业来说,希望员工之间可以互相交流,但是企业用户之间相互隔离,不能够访问。为了实现所有用户都可以访问企业服务器&#xff…

Java泛型:类型安全的艺术与实践指南

Java泛型&#xff1a;类型安全的艺术与实践指南 前言&#xff1a;一个常见的编译错误 最近在开发中遇到了这样一个编译错误&#xff1a; Required type: Callable<Object> Provided: SalesPitchTask这个看似简单的错误背后&#xff0c;隐藏着Java泛型设计的深层哲学。今天…

UMI企业智脑 2.1.0:智能营销新引擎,图文矩阵引领内容创作新潮流

在数字营销日益激烈的今天&#xff0c;企业如何在信息洪流中脱颖而出&#xff1f;UMI企业智脑 2.1.0 的发布为企业提供了全新的解决方案。这款智能营销工具结合了先进的AI技术与数据驱动策略&#xff0c;帮助企业优化营销流程、提升效率&#xff0c;并通过图文矩阵实现内容创作…

Lustre Ceph GlusterFS NAS 需要挂载在k8s容器上,数据量少,选择哪一个存储较好

在 K8s 容器环境中&#xff0c;数据量 不大的 规模下&#xff0c;Lustre、Ceph、GlusterFS 和 NAS 的选择需结合性能需求、运维成本、扩展性和K8s 适配性综合判断。以下是针对性分析及推荐&#xff1a;一、核心对比与适用场景二、关键决策因素1. 性能需求高并发 / 高吞吐&#…

深入解析 Apache Doris 写入原理:一条数据的“落地之旅”

在日常的数据分析场景中&#xff0c;我们经常会向 Apache Doris 写入大量数据&#xff0c;无论是实时导入、批量导入&#xff0c;还是通过流式写入。但你是否想过&#xff1a;一条数据从客户端发出&#xff0c;到最终稳定落盘&#xff0c;中间到底经历了哪些步骤&#xff1f; …

基于MATLAB的视频动态目标跟踪检测实现方案

一、系统架构设计 视频动态目标跟踪系统包含以下核心模块&#xff1a; 视频输入模块&#xff1a;支持摄像头实时采集或视频文件读取预处理模块&#xff1a;灰度转换、降噪、光照补偿目标检测模块&#xff1a;背景建模、运动区域提取跟踪算法模块&#xff1a;卡尔曼滤波、粒子滤…

【Python】Python文件操作

Python文件操作 文章目录Python文件操作[toc]1.文件的编码2.文件打开、读取&#xff08;r模式&#xff09;、关闭3.文件的写入&#xff08;w模式&#xff09;4.文件的追加写入&#xff08;a模式&#xff09;5.综合案例1.文件的编码 意义&#xff1a;计算机只能识别0和1&#x…

CES Asia的“五年计划”:打造与北美展比肩的科技影响力

在全球科技产业版图中&#xff0c;展会一直是前沿技术展示、行业趋势探讨以及商业合作达成的关键平台。CES Asia&#xff08;亚洲消费电子技术展&#xff09;作为亚洲科技领域的重要展会&#xff0c;近日明确提出其“五年计划”&#xff0c;目标是打造与北美展会比肩的科技影响…

【计算机网络 | 第16篇】DNS域名工作原理

文章目录3.5 域名系统工作原理主机的标识方式&#xff1a;域名 vs IP 地址标识转换机制&#xff1a;DNS系统因特网的域名系统&#xff1a;层次域名空间&#x1f426;‍&#x1f525;顶级域名分类低级域名与管理域名与IP的区别因特网的域名系统&#xff1a;域名服务器&#x1f9…

YASKAWA安川机器人铝材焊接节气之道

在铝材焊接领域&#xff0c;保护气体的合理使用对焊接质量与成本控制至关重要。安川焊接机器人凭借高精度与稳定性成为行业常用设备&#xff0c;而WGFACS节气装置的应用&#xff0c;则为其在铝材焊接过程中实现高效节气提供了创新路径。掌握二者结合的节气之道&#xff0c;对提…

GooseDB,一款实现服务器客户端模式的DuckDB

在网上看到韩国公司开发的一款GooseDB&#xff0c; 官方网站对它的介绍是DuckDB™ 的功能扩展分支&#xff0c;具有服务器/客户端、多会话和并发写入支持&#xff0c;使用 PostgreSQL 有线协议&#xff08;DuckDB™是 DuckDB 基金会的商标&#xff09; 使用也很简单&#xff…

lesson62:JavaScript对象进化:ES2025新特性深度解析与实战指南

目录 一、迭代器辅助方法&#xff1a;对象数据处理的优雅革命 1.1 核心方法与语法 1.2 对象属性处理实战 1.3 性能与兼容性考量 二、JSON模块原生支持&#xff1a;对象加载的范式转变 2.1 静态与动态导入语法 2.2 与传统方案的对比优势 2.3 典型应用场景 三、Set集合增…

设计模式学习笔记(一)

设计模式学习笔记&#xff08;一&#xff09; 一般说设计模式都是指面向对象的设计模式&#xff0c;因为面向对象语言可以借助封装、继承、多态等特性更好的达到复用性、可拓展性、可维护性。 面向对象一般指以类、对象为组织代码的基本单元&#xff0c;并将封装、继承、多态、…

【CSS】一个自适应大小的父元素,如何让子元素的宽高比一直是2:1

父元素是自适应大小的容器&#xff08;比如 width:100%&#xff09;&#xff0c;我们希望子元素 始终保持 2:1 宽高比&#xff08;比如宽 200px → 高 100px&#xff0c;宽 300px → 高 150px&#xff09;。 有几种常见解法&#xff1a;✅ 方法一&#xff1a;CSS aspect-ratio&…