球谐函数的理解

作为Rotation Equivariant Networks for Tracking的先导篇，进行知识储备。

circular harmonics functon ${\psi }_{jk}$圆谐函数

在极坐标中，由径向的三角圆谐函数(1)和角向的复指数函数(2)组合而成的函数系(3)。

$$\begin{gathered} \{\begin{array}{ll}{\tau }_j(r)=\{\begin{array}{ll}\frac{1}{\sqrt{r}}& 当j=0时\\ & \\ sin((j+1)\pi r)& 当j为奇数时\\ & \\ cos(j\pi r)& 当j为偶数时\end{array}& (1)\\ & \\ Y_k=e^{ik\varphi }& (2)\end{array} \\ {\psi }_{jk}(r,\varphi )={\tau }_j(r)\ast e^{ik\varphi }(3) \end{gathered}$$
推导：

1. 球面坐标：

$$\{\begin{array}{l}x=rsin\theta cos\phi \\ y=rsin\theta sin\phi \\ z=rcos\theta \end{array}$$

2. Laplace方程

$${▽}^2=\frac{{\partial }^2}{\partial x^2}+\frac{{\partial }^2}{\partial y^2}+\frac{{\partial }^2}{\partial z^2}=0$$

3. 球面坐标代入拉普拉斯方程：

带入拉普拉斯方程
$$\frac{1}{r^2}\frac{\partial }{\partial r}(r^2\frac{\partial f}{\partial r})+\frac{1}{r^{2}sin\theta }\frac{\partial }{\partial \theta }(sin\theta \frac{\partial f}{\partial \theta })+\frac{1}{r^{2}si{n}^2\theta }\frac{{\partial }^{2}f}{\partial {\phi }^2}={▽}^{2}f=0$$

4. 目标就是解拉普拉斯方程，就先分离r部分和角度$\theta 和\phi$部分

$$f(r,\theta ,\phi )=R(r)Y(\theta ,\phi )$$

其中:
$R(r)$表示距离
$Y(\theta ,\phi )$即球谐函数

5. 把4代入3中

带入上面的拉普拉斯方程的$\partial f$
$$\frac{1}{r^2}\frac{\partial }{\partial r}(r^2\frac{\partial [R(r)Y(\theta ,\phi )]}{\partial r})+\frac{1}{r^{2}sin\theta }\frac{\partial }{\partial \theta }(sin\theta \frac{\partial [R(r)Y(\theta ,\phi )]}{\partial \theta })+\frac{1}{r^{2}si{n}^2\theta }\frac{{\partial }^2[R(r)Y(\theta ,\phi )]}{\partial {\phi }^2}={▽}^2[R(r)Y(\theta ,\phi )]$$
化简后为：
$$\frac{1}{R(r)}\frac{d}{dr}(r^2\frac{dR(r)}{dr})+\frac{1}{sin(\theta )Y(\theta ,\phi )}\frac{\partial }{\partial \theta }(sin(\theta )\frac{\partial Y(\theta ,\phi )}{\partial \theta })+\frac{1}{Y(\theta ,\phi )}\frac{1}{si{n}^2(\theta )}\frac{{\partial }^{2}Y(\theta ,\phi )}{\partial {\phi }^2}=\frac{r^2}{R(r)Y(\theta ,\phi )}{▽}^2[R(r)Y(\theta ,\phi )]=0$$
这时候，我们希望能把只有$R(r)$的距离部分和只有$Y(\theta ,\phi )$的球谐函数部分分离开:
$$\frac{1}{R(r)}\frac{d}{dr}(r^2\frac{dR(r)}{dr})=-\frac{1}{sin(\theta )Y(\theta ,\phi )}\frac{\partial }{\partial \theta }(sin(\theta )\frac{\partial Y(\theta ,\phi )}{\partial \theta })-\frac{1}{Y(\theta ,\phi )}\frac{1}{si{n}^2(\theta )}\frac{{\partial }^{2}Y(\theta ,\phi )}{\partial {\phi }^2}$$
如果这个等式成立，等式两边需要等于同一个常数$c$，而这个常数$c$我们设置为$l(l+1)$，之所以要这么变换，是因为下面需要用这个来构造$l$阶连带勒让德方程
$$\frac{1}{R}\frac{\partial }{\partial r}(r^2\frac{\partial R}{\partial r})=-\frac{1}{Y}\frac{\partial }{\partial \theta }(sin\theta \frac{\partial Y}{\partial \theta })-\frac{1}{Ysi{n}^2\theta }\frac{{\partial }^{2}Y}{\partial {\phi }^2}=l(l+1)$$

6. 变成两个部分的方程

$$\{\begin{array}{l}\frac{\partial }{\partial r}(r^2\frac{\partial R}{\partial r})-l(l+1)=0\\ \\ \frac{1}{sin\theta }\frac{\partial }{\partial \theta }(sin\theta \frac{\partial Y}{\partial \theta })+\frac{1}{si{n}^2\theta }\frac{{\partial }^{2}Y}{\partial {\phi }^2}+l(l+1)Y=0\end{array}$$
第一个方程式距离的方程，第二个方程式角度的方程

7. 先只关心角度部分，也称为球函数方程，分离变量$\theta$和$\phi$

$$Y(\theta ,\phi )=\Theta (\theta )\Phi (\phi )$$

8. 把7代入6中，可以得到$\Phi 和\Theta$的方程

$$\frac{1}{sin\theta }\frac{\partial }{\partial \theta }(sin\theta \frac{\partial [\Theta (\theta )\Phi (\phi )]}{\partial \theta })+\frac{1}{si{n}^2\theta }\frac{{\partial }^2[\Theta (\theta )\Phi (\phi )]}{\partial {\phi }^2}+l(l+1)[\Theta (\theta )\Phi (\phi )]=0$$
化简为:
$$\frac{\Theta }{\Theta \cdot \Phi }\cdot \frac{{\partial }^2\Phi }{\partial {\phi }^2}=-l(l+1)\cdot si{n}^2\theta -\frac{sin\theta \cdot \Phi }{\Theta \cdot \Phi }\cdot \frac{\partial (sin\theta \frac{\partial \Theta }{\partial \theta })}{\partial \theta }$$
继续化简，并分离$\Theta$和$\Phi$在等式左右两边：
$$\frac{1}{\Phi }\cdot \frac{{\partial }^2\Phi }{\partial {\phi }^2}=-l(l+1)\cdot si{n}^2\theta -\frac{sin\theta }{\Theta }\cdot \frac{\partial (sin\theta \frac{\partial \Theta }{\partial \theta })}{\partial \theta }$$
左边仅仅关于角度$\Theta$，右边仅仅关于角度$\Phi$，等式设为等于参数$\lambda$:

$$\{\begin{array}{l}\frac{1}{\Phi }\cdot \frac{{\partial }^2\Phi }{\partial {\phi }^2}=-\lambda \\ \\ l(l+1)\cdot si{n}^2\theta +\frac{sin\theta }{\Theta }\cdot \frac{\partial (sin\theta \frac{\partial \Theta }{\partial \theta })}{\partial \theta }=\lambda \end{array}$$

化简后为：

$$\{\begin{array}{l}\frac{{\partial }^2\Phi }{\partial {\phi }^2}+\lambda \Phi =0\\ \\ sin\theta \frac{\partial }{\partial \theta }(sin\theta \frac{\partial \Theta }{\partial \theta })+[l(l+1)si{n}^2\theta -\lambda ]\Theta =0\end{array}$$

9. 求解$\Phi$，这也是本文用到的部分

$$\{\begin{array}{l}\lambda =m^2\\ \\ \Phi =e^{im\phi }\end{array}$$

10. 求解$\Theta ，设cos\theta =x$

化简为：
$$(1-x^2)\frac{{\partial }^2\Theta }{\partial x^2}-2x\frac{\partial \Theta }{\partial x}+[l(l+1)-\frac{m^2}{1-x^2}]\Theta =0$$
m=0时，称$l$次为勒让德方程

$m\ne 0时，称为l次连带勒让德方程$

$$\Theta (\theta )=P_l^m(cos\theta )$$

其中
$$P_l^m(x)=\frac{(-1{)}^m(1-x^2{)}^{\frac{m}{2}}}{2^{l}l!}\frac{d^{l+m}}{d{x}^{l+m}}(x^2-1{)}^l$$

11. 复数通解为：

$$Y(\theta ,\phi )=\sum _{l=0}^{\infty }\sum _{k=-l}^l{P}_l^k(cos\theta )e^{im\phi }m=0,\pm 1,\pm 2,\dots$$

12. $一般性的l次m阶的表达式为，就是所有items中的一个，当l取无穷大，Y_{lm}能拟合f(\theta ,\phi )$：

$${Y}_{lm}(\theta ,\phi )=P_{lm}(cos\theta )e^{im\phi }$$

13. 归一化一般性表达：

$${Y}_l^m(\theta ,\phi )=K_l^m{Y}_{lm}(\theta ,\phi )$$
$$K_l^m=\sqrt{\frac{2l+1}{4\pi }\frac{(l-|m|)!}{(l+|m|)!}}$$

14. 球谐函数组用归一化一般表达式可以表示为：

{ Y l m ( θ , φ ) } = { Y 0 0 , Y 1 − 1 , Y 1 0 , Y 1 1 , Y 2 − 2 , Y 2 − 1 , Y 2 0 , Y 2 1 , Y 2 2 , ⋯   } \qquad \\ \{Y_l^m(\theta, \varphi)\}=\{Y_0^0, Y_1^{-1},Y_1^{0},Y_1^{1}, Y_2^{-2},Y_2^{-1},Y_2^{0},Y_2^{1},Y_2^{2}, \dotsb \} \\ \qquad \\ {Ylm​(θ,φ)}={Y00​,Y1−1​,Y10​,Y11​,Y2−2​,Y2−1​,Y20​,Y21​,Y22​,⋯}

15. 任一球面函数$f(\theta ,\phi )$可以用“正交归一化球谐函数组”表达：

$$f(\theta ,\phi )=\sum _{l=0}^{\infty }\sum _{m=-l}^l{C}_l^m{Y}_l^m(\theta ,\phi )$$
$其中C_l^m和Y_l^m类似，该过程类似傅里叶变换，称之为广义傅里叶变换，而C_l^m称之为广义傅里叶系数$

{ Y l m ( θ , φ ) } = { Y 0 0 , Y 1 − 1 , Y 1 0 , Y 1 1 , Y 2 − 2 , Y 2 − 1 , Y 2 0 , Y 2 1 , Y 2 2 , ⋯   } \qquad \\ \{Y_l^m(\theta, \varphi)\}=\{Y_0^0, Y_1^{-1},Y_1^{0},Y_1^{1}, Y_2^{-2},Y_2^{-1},Y_2^{0},Y_2^{1},Y_2^{2}, \dotsb \} {Ylm​(θ,φ)}={Y00​,Y1−1​,Y10​,Y11​,Y2−2​,Y2−1​,Y20​,Y21​,Y22​,⋯}
{ C l m } = { C 0 0 , C 1 − 1 , C 1 0 , C 1 1 , C 2 − 2 , C 2 − 1 , C 2 0 , C 2 1 , C 2 2 , ⋯   } \qquad \\ \{C_l^m\}=\{C_0^0, C_1^{-1},C_1^{0},C_1^{1}, C_2^{-2},C_2^{-1},C_2^{0},C_2^{1},C_2^{2}, \dotsb \}\\ \qquad \\ {Clm​}={C00​,C1−1​,C10​,C11​,C2−2​,C2−1​,C20​,C21​,C22​,⋯}

16. $注意一下形式，l\to \infty ,才会让C_l^m\ast Y_l^m(\theta ,\phi )\to f(\theta ,\phi ),m\in [-l,l]$

$$\begin{gathered} 球谐函数系\to \begin{array}{llll}& 次数& 球谐函数系数(广义傅里叶系数)& 球谐函数基底\\ & & & \\ & l=0& C_0^0& Y_0^0\\ & & & \\ & l=1& C_1^{-1},C_1^0,C_1^1& Y_1^{-1},Y_1^0,Y_1^1\\ & & & \\ & l=2& C_2^{-2},C_2^{-1},C_2^0,C_2^1,C_2^2& Y_2^{-2},Y_2^{-1},Y_2^0,Y_2^1,Y_2^2\\ & ⋮& ⋮& ⋮\\ & l=\infty & C_{\infty }^{-\infty },C_{\infty }^{-\infty +1},\dots ,C_{\infty }^0,\dots ,C_{\infty }^{\infty -1},C_{\infty }^{\infty }& Y_{\infty }^{-\infty },Y_{\infty }^{-\infty +1},\dots ,Y_{\infty }^0,\dots ,Y_{\infty }^{\infty -1},Y_{\infty }^{\infty }\end{array} \\ 一般选取l为一个有限值，例如l=1： \\ \begin{array}{rl}f(\theta ,\phi )& \approx C_0^0{Y}_0^0+C_1^{-1}{Y}_1^{-1}+C_1^0{Y}_1^0+C_1^1{Y}_1^1\\ & \\ f(\theta ,\phi )& \approx a{Y}_0^0+b{Y}_1^{-1}+c{Y}_1^0+d{Y}_1^1\\ & \end{array} \end{gathered}$$

17. 优良特性：
    

• 标准正交性：
  
  $$\{\begin{array}{ll}\int Y_i{Y}_j=1& i=j\\ & \\ \int Y_i{Y}_j=0& i\ne j\end{array}$$
  $Y_i和Y_j是圆谐函数,也称基底，就是角度部分$
  
  $函数系{\psi }_{jk}(r,\varphi )在单位圆(0⩽r⩽,0⩽\varphi ⩽2\pi )内正交$

• 旋转等变性：
  
  $$g(x)=f(Transform[x])=Transform[f(x)]$$

• 函数乘积的积分等于其圆谐系数向量的点积：
  
  $$\int {\psi }_{jk}(\cdot ){\psi }_{nm}(\cdot )dx=\sum _{j=0}^J\sum _{n=0}^N{C}_j^k\ast C_n^m$$

如何理解球谐函数？

如何看这幅图？

第一行对应的就是$C_0^0{Y}_0^0(\theta ,\phi )$，意思就是这一组正交基可以拟合出球面上任何一个点，如果是正方体，这种就没法拟合了
第二行对应的是$C_1^{-1}{Y}_1^{-1}(\theta ,\phi ),C_1^0{Y}_1^0(\theta ,\phi ),C_1^1{Y}_1^1(\theta ,\phi )$，这三组正交基在空间的形状如图所示
第三行第四行以此类推

这些波瓣的作用是什么

$l$决定了正交基的组数和波瓣的数目
1个波瓣只能拟合球面的点
4个波瓣3组正交基，可以拟合范围变成
6个波瓣5组正交基，可以拟合范围为：

球谐函数的作用？
计算机通过存储正交基的系数，从而压缩位置信息（例如环境光，即三维模型实际上是一个没有贴图的位置坐标，通过球谐函数记忆环境光的系数，从而简化过程）。
高阶球谐函数的计算压力依然很大，所以不适用于高频信号处理。