ttk - data structure

本文介绍了拓扑数据结构和Morse理论的基础概念,如Hausdorff空间、流形、Morse理论、关键点、梯度和关键线。进一步讲解了Morse函数、Morse引理、Morse-Smale复形及其在几何分割中的作用。此外,文章还概述了TTK库中的关键类,如PersistenceCurve、MorseSmaleComplex和Triangulation,以及它们在计算关键点和分离线时的功能。
摘要由CSDN通过智能技术生成

一、概念

1.Hausdorff空间:如果几何空间X中任意两点x,y,都存在领域U,V,满足U和V交集为空,即称X所在空间为Hausdorff空间

2.流形( Manifold): 设M为一个Hausdorff拓扑空间,对其每一个点p,都有开领域U, 它与Rd的某个开子集同胚,则称M为d维拓扑流形,简称d维流形

3.Morse理论,又称临界点理论,关键点理论,主要研究n维空间的d维流形的形状与定义与M上的二阶可微函数之间关系的理论。莫尔斯理论解释了标量场形状的拓扑结构,确定了特征点连接关系和形状的拓扑不变性。

4.梯度 (partial f/ dx,  partial f /dy)

5.关键点Critical point, 简单说就是一届梯度为0的点,非critical point又称谓正则点;如果二阶Haisan Matrix行列式值不等于0,则称非退化点,此处负特征值个数称谓关键点的Morse指数;

6.关键点的莫尔斯指数: 关键点的负特征值个数,0-saddle 为极小点(pit or minimum),p-saddle为极大值点(peak of amximum), 否则就是为鞍点(saddle point), 所有关键点非退化,则陈函数f为莫尔斯函数,这些关键点满足

                   N_peak + N_pits - N_saddle = 欧拉数

                 ---- 同胚于平面,欧拉数为1

                 — 同胚于球面,欧拉数为2

7.Morse引理:若f是morse函数,则关键点p处可构建局部坐标系,f(x,y) = f(p) +/- x^2 +/- y^2

   ---- 由莫尔斯引理可知,每个非退化点都是孤立的,若某个关键点周围一定区域无关键点,则该区域构成复型单元。

8. 积分线Integral line: 过任意正则点,均有一条沿着f梯度方向的曲线,且曲线上各点的切线方向于函数f在该店的梯度方向相同,则称该曲线为积分线,积分线是函数f增长最快的方向!!!!!!!!!!!!!!!!

9.关键线(critial line,也叫 separatrix line,即也叫分界线): 起点和终点均为关键点的积分线 ,则叫关键线。

10.关键网络 (critical net):由关键线构成的网络叫关键网络。关键网络覆盖整个域M,形成对M的完全几何分割。

11.单纯形(Simplex): 简单的理解,0维的单纯形是点,1维的单纯形是线段,2维单纯形对应的是三角形,三维单纯形维四面体,单纯形是拓扑概念中对空间对象进行分割的基础单元。

12.单元(腔胞)(Cell):在拓扑学中,定义n维单元是一个同胚于开放的n维球体。0-cells 点,1-cells 线,2-cells三角形

13.腔胞复形(cell complex): 由不同腔胞组成的腔胞集合,这些腔胞通过边界连接。

14.单纯复形(simplical complex):R(n)中单纯形的集合,通过边界彼此相连,假设为K, 通常满足:

    —— K中的每个单纯形的面都在K中;

    —— 单纯形两两内部不相交,即单纯形通过单纯形的面连接

15.上升单元(ascending cell):所有收敛于极大值的积分线构成的集合称为该极大点的上升单元( 上升到极大值点)

16.下降单元(descending cell): 所有始于某极小点的积分线集合,称为极小点的下降单元 (下降到极小值点)

17. 上升/下降Morse复形(Ascending Morse COmplex):下降单元将M分割称上升Morse复形,上升单元将M分割称下降Morse复形。(另外一本书:所有上升单元内部的山脊线,构成了下降Morse复形的边界线;所有下降单元内部的山谷线,构成了上升Morse复形的边界。)
    即凸线(山脊线)包围成下降Morse复形,凹陷(谷底线)生成上升Morse复形,其实也好理解,
     —— 凸线包围了坑(所以下降Morse复形),
     —— 凹陷包围了一个顶,所以是上升的Morse复形
     从鞍点----》顶点   上升单元
     从凹点 ---》鞍点   下降单元     

18. Morse-Smale复形:当上升复形和下降复形正态相交,则称f为morse-smale函数

19.关键值点对(critical point pair):任何一条关键线连接的两个关键点(通常是极值点+鞍点)组成关键点对!

20.持续值(persistence value):关键点对之间的距离,称为持续值!

21.关键线(separatrix persistence):  计算山脊线上所有点与对应极值点(极大)的差值作为该点重要性权值!并且该极大值点与鞍点在对偶复形拓扑模型中是一对点组合。   

22. CW complex(CW 复形):Built on top of cells (0-cells, 1-cells, …., d-cells) via topologically gluing. –The Cstands for "closure-finite", and the W for “weak topology".  多个腔胞通过弱拓扑连接而成的复形。

3.separatrix (pl separatrices) -- 分界线

///

二、ttk代码解析

1. base/common.h

    (1)os.h

      定义了real数据类型(本质是float, double)

      class osCall;  // 定义目录文件,内存使用,得到当前目录,等调用函数

      class Memomry; // 得到内存使用相关信息

     class Timer; //时间计时器,用法和Terrain中timer差不多!reStar

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值