Review:3D网格曲面
3D网格曲面是二维流形曲面的离散:link1、link2 、link3
局部特征度量
一个点的信息通常由它周围的顶点和面片来决定。
对于离散几何来说,无穷小邻域性质就通过 n 邻域来分近似。
其中最常用的是1‐邻域,即1‐ring neighborhood
离散观点:直接取邻域点的特征来计算当前点的特征
连续观点:取邻域点拟合成曲面,然后分析曲面在该点处的特征。
一般“流形”结构也是通过局部邻域来定义
Detail = surface – smooth (surface)
Smoothing = averaging
红点是surface。
黄点是smooth,是蓝点的加权平均,可以用各种加权方式。有哪些权重方法见本页最后。
黄色向量是detail,称为拉普拉斯算子,可以描述红点的尖锐承度。
连续Laplace算子(operator)
此页中是连续形式的 Laplace 算子。
定义在欧氏空间的Laplace 算子
\(n\)维欧几里得空间的二阶微分算子(椭圆型算子)
梯度 \(\nabla f\) 的散度 \(\nabla \cdot f\)
$$ \Delta f=\nabla \cdot \nabla f=\nabla^{2} f $$
梯度是一个向量,散度指向量各个分量之和。
定义在坐标系中的Laplace 算子
在笛卡尔坐标系中,为所有非混合二阶偏导数:
$$ \Delta f=\sum_{i=1}^{n} \frac{\partial^{2} f}{\partial x_{i}^{2}} $$
特别地,对二元实函数\(f(x,y)\):
$$ \Delta f=\frac{\partial^{2} f}{\partial x^{2}}+\frac{\partial^{2} f}{\partial y^{2}} $$
定义在黎曼流形上的Laplace 算子
称为Laplace‐Beltrami 算子
$$ \nabla ^2f=\nabla \cdot \nabla f \\ =\frac{1}{\sqrt{|g|} } \partial _i(\surd |g|g^{ij}\partial _jf). $$
离散 Laplacian 算子
又称为Umbrella Operator、伞型算子
$$ \delta _i=\nu _i-\sum _{j\in N(i)}w_j\nu _j $$
❓ 如何理解离散曲面的Laplace比算子?[23:40]
2D场景: (图[24:39])
后向差分:
$$ {f}'_ x=\frac{y_ {i+1}-y_i}{x_ {i+1}-x_ i} $$
前向差分: $$ {f}'_ x= \frac{y_ i-y_ {i-1}}{x_ i-x_ {i-1}} $$
3D的场景
① ② ③ ④ 看作是⑤的 1 邻域。
推广到一般形式可得:\(\delta _i\)
\(\delta _i\)称为 Laplace 算子,也叫 Laplace 坐标、微分坐标。
平均曲率流定理
平均曲率流定理:link
将此定理公式写成离散形式,与\(\delta _i\)公式相通。
微分坐标 represent the local detail / local shape description,具有与\(H(v_i)n_i\)相同的特点:
- The direction approximates the normal
- The size approximates the mean curvature
Weighting Schemes
• Uniform weight (geometry oblivious)
$$ w_i=1 $$
• Cotangent weight (geometry aware)
$$ w_j=(\cot \alpha +\cot \beta ) $$
• Normalization
$$ w_j=\frac{w_j}{\sum _jw_j} $$
$$ \delta _i=\frac{1}{d_i} \sum _{j\in N(i)}(\nu_i-\nu_j) $$
1邻域点加权平均的权有讲究,通常使用 cotangent.
本文出自CaterpillarStudyGroup,转载请注明出处。 https://caterpillarstudygroup.github.io/GAMES102_mdbook/