网格平滑基础算法总结

基于滤波的算法

拉普拉斯网格平滑算法

$$\begin{gathered} 可以认为定义在顶点上的信息是一个信号流f(x,t), \\ 这个信号会随时间扩散 \end{gathered}$$

$扩散方程为\frac{\partial f(x,t)}{\partial t}=\lambda \Delta f(x,t)$

$应用到网格上定义f(t)=(f(v_1,t),...,f(v_n,t){)}^T$

$$\begin{gathered} 每个顶有独立的扩散方程\frac{\partial f(v_i,t)}{\partial t}=\lambda \Delta f(x_i,t), \\ \Delta f(x_i,t)是拉普拉斯算子 \end{gathered}$$

$总体表达式\frac{\partial f(t)}{\partial t}=\lambda Lf(t),L是拉普拉斯矩阵$

利用上式可以使用迭代的方式去平滑网格

$f(t+h)=f(t)+h\cdot \frac{\partial f(t)}{\partial t}=f(t)+h\lambda \cdot Lf(t)$

$x_i=x_i+h\lambda \cdot \Delta x_i$

$$\begin{gathered} 当拉普拉斯里的w_{ij}取cot拉普拉斯算子时，\Delta x=-2Hn, \\ H是平均曲率，n是法向 \end{gathered}$$

当拉普拉斯算子为cot时，点会沿法向移动。
当拉普拉斯算子为uniform时，点会向边上的点靠近。

fairing

通过固定2端，定义中心高阶拉普拉斯算子为0，然后解出过渡区域。
阶次越高越光滑。

高斯函数滤波算法

$高斯函数W(x)=e^{-\frac{x^2}{2{\sigma }^2}},\sigma 是参数需要用户给定$

高斯滤波

$I(p)=\frac{1}{K_p}\sum _{q\in \Omega (p)}{W}_s(||p-q||)\cdot I(q)$

双边滤波
$I(p)=\frac{1}{K_p}\sum _{q\in \Omega (p)}{W}_s(||p-q||)W_r(||I(p)-I(q))||)\cdot I(q)$

p可以是顶点坐标，法向等，具体效果不一样。
效果比较好的是先确定法向，然后根据法向去恢复顶点。

I§ 是信号，可以是法向，拉普拉斯算子，切平面与周围点高度差。

基于三角面法向的双边滤波网格平滑算法实现

基于优化的算法

假设模型中存在一些平的区域(flat region)。
最终希望把平的区域最大化。

L0 算法

一个区域平，说明梯度是0。

$E=|c-c^{\ast }{|}^2+|\Delta c{|}_0$

$$\begin{gathered} c是输出顶点 \\ {c}^{\ast }是输入顶点 \end{gathered}$$
$$\begin{gathered} \Delta c是梯度 \\ |\Delta c{|}_0是梯度的0模 \end{gathered}$$

去优化这个方程，希望大部分区域的梯度为0。
以述方程不好优化，引入变量。

$E=|c-c^{\ast }{|}^2+\beta |\Delta c-\delta {|}^2+\lambda |\delta {|}_0$

$优化过程中\beta 要不断增大，当\beta 比较大时，就像是优化\delta$

可以采用交替迭代法优化上述能量。

$当给定c时，去优化\beta |\Delta c-\delta {|}^2+\lambda |\delta {|}_0$

$当给定\delta 时，去优化|c-c^{\ast }{|}^2+\beta |\Delta c-\delta {|}^2$

第二个是二值优化问题，可以使用最小二乘解决。

第一个是有解析解。

${\delta }_i=\{\begin{array}{l}0,if\beta (\Delta c_i{)}^2\le \lambda \\ \Delta c_i,otherwise\end{array}$

网格应用

可以让c当成顶点坐标，也可以当法向。
使用cot拉普拉斯算子，可以满足平面时值为0。

使用边的拉普拉斯算子。

基于面积的拉普拉斯算子。

基于法向的优化

基于数据驱动的算法

在滤波算法中有很多参数要确定。
可以设定一个函数F帮助我们先出最优的法向。
具体输入就是不同参数产生出来的高斯滤波结果。
可以使用多组参数进行训练，进行k-means分类，让法向的计算由大数据来筛选。

训练集获取：先找一个好的三角网格，然后对网格加噪，然后对每个面进行高斯滤波操作，以这个作为输入，以原来的法向作为输出进行训练。