拉普拉斯变形（Laplacian Deformation）思想及原理

欢迎关注更多精彩
关注我，学习常用算法与数据结构，一题多解，降维打击。

基本问题

普遍的应用是对一个三维物体推动或拉动某一处，求出三维物体最后会变形成什么样。

如上图所示：以一个表面为例，S是一个完整的三角网格。现在固定住最外圈的F部分。顶部黄色H是可以拖动的部分，现在将H拖动到某个地方，问整个网格形变最终结果。

拉普拉斯算子

$对于网格中的每个顶v_i$

都有一个拉普拉斯算子

${\delta }_i=L(v_i)=({\delta }_i^x,{\delta }_i^y,{\delta }_i^z)=v_i-\sum _{j\in N(i)}{w}_{ij}{v}_j$

$N(i)表示v_i的1领域，由w_{ij}组成的矩阵L称为拉普拉斯矩阵$

$L=\left[\begin{array}{cccc}{w}_{1,1}& w_{1,2}& ...& w_{0,n}\\ w_{2,1}& w_{2,2}& ...& w_{2,n}\\ w_{3,1}& w_{3,2}& ...& w_{3,n}\\ ...& ...& ...& ...\\ w_{n,1}& w_{n,2}& ...& w_{n,n}\end{array}\right]$

$w_{ij}有3种取值方式，w_{ij}=1，w_{ij}=\frac{1}{d_i},w_{ij}=cot{\alpha }_{ij}+cot{\beta }_{ij},d_i代表v_i的度$

拉普拉斯算子蕴含着曲面的局部特征信息，网格曲面的拉普拉斯坐标其在网格变形、网格平滑、网格去噪等方面都有着重要的应用。

能量方程构建

顶点有n个
$v_1,v_2,...,v_n$
其中前m个顶点属于S,H区域。
${\delta }_i=L(v_i)$

移动以后的点为
$v_1^{\prime },v_2^{\prime },...,v_n^{\prime }$
其中前m个顶点属于S,H区域。

${\delta }_i^{\prime }=L(v_i^{\prime })$

按照拉普拉斯算子定义，我们希望变形后拉普拉斯算子尽量不变。同时s,h区域的点要尽量接近给定的点。

要使下列式子尽量满足

${\delta }_i^{\prime }={\delta }_i,fori=1ton$
$v_i^{\prime }=v_i,fori=1tom$

能量方程如下

$令{∆}^{\prime }=L{V}^{\prime },∆=LV$

$arcmin{\sum }_{i=1}^n||{∆}_i^{\prime }-{∆}_i|{|}^2+{\sum }_{i=1}^m||v_i^{\prime }-v_i|{|}^2$

我们如果可以解出上述式子使得能量最小，那么就确定了最终的点的位置了。

对式子进行拆分，可以发现是一个最小二乘问题。

可以对x,y,z进行拆分得到下式

$E={\sum }_{i=1}^n||{∆}_i^{\prime }-{∆}_i|{|}^2+{\sum }_{i=1}^m||v_i^{\prime }-v_i|{|}^2$

$={\sum }_{i=1}^n({∆}_{ix}^{\prime }-{∆}_{ix}{)}^2+{\sum }_{i=1}^n({∆}_{iy}^{\prime }-{∆}_{iy}{)}^2+{\sum }_{i=1}^n({∆}_{iz}^{\prime }-{∆}_{iz}{)}^2+{\sum }_{i=1}^m(v_{ix}^{\prime }-v_{ix}{)}^2+{\sum }_{i=1}^m(v_{iy}^{\prime }-v_{iy}{)}^2+{\sum }_{i=1}^m(v_{iz}^{\prime }-v_{iz}{)}^2$

上面x,y,z是独立的可以分开求解

$可让向量T=\left[\begin{array}{c}{∆}_{1x}^{\prime }-{∆}_{1x}\\ ...\\ {∆}_{nx}^{\prime }-{∆}_{nx}\\ \\ v_{1x}^{\prime }-v_{1x}\\ ...\\ v_{mx}^{\prime }-v_{mx}\end{array}\right]$

向量T一共有(n+m)行
$由于后面是已知量，可以进一步拆分成Ax-B形式$

$T=\left[\begin{array}{c}L\\ H\end{array}\right]\ast \left[\begin{array}{c}{v}_{1x}^{\prime }\\ v_{2x}^{\prime }\\ ...\\ v_{nx}^{\prime }\end{array}\right]-\left[\begin{array}{c}{∆}_{1x}\\ ...\\ {∆}_{nx}\\ \\ v_{1x}\\ ...\\ v_{mx}\end{array}\right]$

$L是拉普拉斯矩阵，H=\left[\begin{array}{cccccc}1& 0& ...& 0& ...& 0\\ 0& 1& ...& 0& ...& 0\\ ...& ...& ...& ...& ...& ...\\ 0& 0& 0& 1& ...& 0\end{array}\right]H是m行，n列,前面m行m列组成一个单位矩阵$

$则E=||T|{|}^2,就是求解E的最小值，问题就是转化成求解min||Ax-B|{|}^2,这是一最小二乘问题$

最小二乘问题求解

设有一个f(x,y,z)函数，求最小值，最简单的方法就是求驻点。
求驻点直接求偏导，并令其等于0即可。
$\frac{\partial f}{\partial x}=0,\frac{\partial f}{\partial y}=0,\frac{\partial f}{\partial z}=0$

$那么对于||Ax-B|{|}^2如何求偏导呢$

$||Ax-B|{|}^2=(Ax-B{)}^T(Ax-B)$

$(x^T{A}^T-B^T)(Ax-B)=x^T{A}^{T}Ax-x^T{A}^{T}B-B^{T}Ax+B^{T}B$

$\frac{\partial ||Ax-B|{|}^2}{\partial x}=\frac{\partial x^T{A}^{T}Ax}{\partial x}-\frac{\partial x^T{A}^{T}B}{\partial x}-\frac{\partial B^{T}Ax}{\partial x}+\frac{\partial B^{T}B}{\partial x}$

只要对上述4项分别求导即可。

$对于A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{m1}& a_{m2}& ...& a_{mn}\end{array}\right],\overrightarrow{x}=\left[\begin{array}{c}{x}_1\\ x_2\\ ...\\ x_n\end{array}\right]$

$A\cdot \overrightarrow{x}=\left[\begin{array}{c}{a}_{11}\cdot x_1+a_{12}\cdot x_2+...a_{1n}\cdot x_n\\ a_{21}\cdot x_1+a_{22}\cdot x_2+...a_{2n}\cdot x_n\\ a_{m1}\cdot x_1+a_{m2}\cdot x_2+...a_{mn}\cdot x_n\end{array}\right]$

$求偏导\frac{\partial A\cdot \overrightarrow{x}}{\partial x}=\left[\begin{array}{cccc}{a}_{11}& a_{21}& ...& a_{m1}\\ a_{12}& a_{22}& ...& a_{m2}\\ ...& ...& ...& ...\\ a_{1n}& a_{2n}& ...& a_{mn}\end{array}\right]=A^T$

同理其他求导如下

$\frac{\partial A\overrightarrow{x}}{\partial x}=A^T,\frac{\partial A\overrightarrow{x}}{\partial x^T}=A,\frac{\partial (\overrightarrow{x}A)}{\partial x}=A$

$\frac{\partial ({\overrightarrow{x}}^T\cdot A\cdot \overrightarrow{x})}{\partial x}=(A^T+A)x$

$\frac{\partial ||Ax-B|{|}^2}{\partial x}=\frac{\partial x^T{A}^{T}Ax}{\partial x}-\frac{\partial x^T{A}^{T}B}{\partial x}-\frac{\partial B^{T}Ax}{\partial x}+\frac{\partial B^{T}B}{\partial x}$

$=(A^{T}A+A^{T}A)x-A^{T}B-A^{T}B+0$

$=2A^{T}Ax-2A^{T}B$

令导数为0解得

$\Rightarrow x=(A^{T}A{)}^{-1}{A}^{T}B$

应用

1. 物体变形，物体挤压变形，旋转变形
2. 模型配准问题，游戏皮肤覆盖，衣服穿着，材料包裹
3. 动画制作

---

本人码农，希望通过自己的分享，让大家更容易学懂计算机知识。