线性映射验证与几何处理算法实践

1、证明以下映射是线性的：1. 设V是向量空间，α ∈ R，映射v → αv；2. 求导映射f → df/dx；3. 已知L1、L2是线性映射，映射L1 + L2；4. 已知L是线性映射，映射αL；5. 已知L1、L2是线性映射，映射L2 ◦ L1；6. 已知L是线性且双射的，映射L⁻¹。同时说明某个类似映射在b≠0时不是线性的情况。

# 线性映射验证

根据线性映射的定义（设 $ U $ 和 $ V $ 为向量空间，映射 $ L: U \to V $ 是线性的需满足以下两个条件）：

1. 对于所有 $ u, v \in U $，有 $ L(u + v) = L(u) + L(v) $；
2. 对于所有 $ \alpha \in \mathbb{R} $ 和 $ u \in U $，有 $ L(\alpha u) = \alpha L(u) $。

下面分别对上述映射进行验证：

## 映射 $ v \mapsto \alpha v $

设 $ V $ 是向量空间，$ \alpha \in \mathbb{R} $。对于任意 $ u, v \in V $，有：

- $ \alpha(u + v) = \alpha u + \alpha v $
- $ \alpha(\beta u) = (\alpha \beta) u = \beta(\alpha u) $

因此满足线性映射定义。

## 特殊情况：映射在 $ b \neq 0 $ 时不是线性的

此处未详细说明该映射的具体形式，但指出在 $ b \neq 0 $ 时其不满足线性映射定义。

## 求导映射 $ f \mapsto \frac{df}{dx} $

根据求导法则：

- $ \frac{d(f + g)}{dx} = \frac{df}{dx} + \frac{dg}{dx} $
- $ \frac{d(\alpha f)}{dx} = \alpha \frac{df}{dx} $

因此满足线性映射定义。

## 映射 $ L_1 + L_2 $

已知 $ L_1, L_2 $ 是线性映射。对于任意 $ u, v \in U $，有：

- $ (L_1 + L_2)(u + v) = L_1(u + v) + L_2(u + v) = L_1(u) + L_1(v) + L_2(u) + L_2(v) = (L_1 + L_2)(u) + (L_1 + L_2)(v) $
- $ (L_1 + L_2)(\alpha u) = L_1(\alpha u) + L_2(\alpha u) = \alpha L_1(u) + \alpha L_2(u) = \alpha (L_1 + L_2)(u) $

因此满足线性映射定义。

## 映射 $ \alpha L $

已知 $ L $ 是线性映射。对于任意 $ u, v \in U $，有：

- $ (\alpha L)(u + v) = \alpha L(u + v) = \alpha(L(u) + L(v)) = \alpha L(u) + \alpha L(v) = (\alpha L)(u) + (\alpha L)(v) $
- $ (\alpha L)(\beta u) = \alpha L(\beta u) = \alpha(\beta L(u)) = (\alpha \beta)L(u) = \beta(\alpha L(u)) $

因此满足线性映射定义。

## 映射 $ L_2 \circ L_1 $

已知 $ L_1, L_2 $ 是线性映射。对于任意 $ u, v \in U $，有：

- $ (L_2 \circ L_1)(u + v) = L_2(L_1(u + v)) = L_2(L_1(u) + L_1(v)) = L_2(L_1(u)) + L_2(L_1(v)) = (L_2 \circ L_1)(u) + (L_2 \circ L_1)(v) $
- $ (L_2 \circ L_1)(\alpha u) = L_2(L_1(\alpha u)) = L_2(\alpha L_1(u)) = \alpha L_2(L_1(u)) = \alpha (L_2 \circ L_1)(u) $

因此满足线性映射定义。

## 映射 $ L^{-1} $

已知 $ L $ 是线性且双射的。对于任意 $ x, y \in V $，设 $ x = L(u), y = L(v) $，有：

- $ L^{-1}(x + y) = L^{-1}(L(u) + L(v)) = L^{-1}(L(u + v)) = u + v = L^{-1}(x) + L^{-1}(y) $
- $ L^{-1}(\alpha x) = L^{-1}(\alpha L(u)) = L^{-1}(L(\alpha u)) = \alpha u = \alpha L^{-1}(x) $

因此满足线性映射定义。

## 结论

综上所述，除那个未详细说明的映射在 $ b \neq 0 $ 时外，上述映射均满足线性映射定义。

2、考虑由方程z = xy给出的R³中的曲面，求该曲面的隐式表示。

将方程z = xy移项可得隐式表示为xy - z = 0。

3、编写一个计算多边形网格对偶的函数。对偶网格为每个面创建一个顶点，为每个顶点创建一个面。为面创建的顶点应位于该面的中心。

可能解决此问题最简单的方法是创建一个新的网格作为索引面集，然后将该索引面集转换为你选择的表示形式。你需要能够迭代访问所有顶点和面，有一种为面关联属性的方法，以及一种围绕顶点循环的方法。

对于GEL用户：

• 如果你基于示例程序进行工作，只需在前面练习的程序中填充 compute_dual 函数。
• 填充完此函数后，如果你使用示例模型运行该程序，按 “d” 键应生成对偶。
• 注意，反复按 “d” 键将使网格平滑并缩小。

4、实现卡特穆尔 - 克拉克细分算法

如果改变原始网格的连接性，实现起来会很困难。最简单的方法是：

1. 先计算为边和面创建的新顶点以及旧顶点的新位置；
2. 随后利用这些信息创建一个新的网格。

5、实现 Loop 细分

以下是调整为 Markdown 格式的文本内容：

Loop 细分是基于三角形的、原始的、近似方案，在规则区域中，Loop 细分在极限情况下会重现 C² 四次三角盒样条，在奇异顶点处极限曲面是 C¹。在实现时，关于细分是“原地”进行还是创建新网格，创建新网格更简单，可先计算为边和面创建的新顶点以及旧顶点的新位置，随后用这些信息创建新网格。

6、请实现陶宾平滑（Taubin smoothing）算法

在实现拉普拉斯平滑（即第一次遍历三角形网格使用公式(9.2)计算拉普拉斯算子，第二次遍历使用公式(9.3)更新顶点位置）的基础上，对于陶宾平滑，除每隔一次迭代使用公式

$$ p_i \leftarrow p_i + \lambda \, L(p_i)