【3维视觉】网格的谱分解和应用（GFT图傅里叶变换）

网格的谱分解即网格的频率分解，我们学过信号的傅里叶变换，将信号从空域变换到频域。二维图像由离散傅里叶变换DFT(Discrete Fourier Transform)。在图信号领域，也有图的傅里叶变换GFT(Graph Fourier Transform)，网格可以看作是图，因此网格的谱分解，就是进行图傅里叶变换。

网格谱分解

GFT图傅里叶变换

• 先构建图的拉普拉斯矩阵，拉普拉斯矩阵=度矩阵-邻接矩阵

• 计算拉普拉斯矩阵的特征值和特征向量： 对构建的拉普拉斯矩阵进行特征值分解，得到其特征值和对应的特征向量。特征值表示了网格的频谱信息，而特征向量则表示了网格不同的频谱分量。

• 然后将图的拉普拉斯矩阵可以表示程基向量的线性组合，其系数就代表了不同频率分量的强度。

• 在特征值中，较大的特征值对应的频谱分量通常包含了网格中的高频信息，而较小的特征值对应的频谱分量则表示了网格中的低频信息。因此，可以通过特征值的大小来判定高频信息。

图的拉普拉斯矩阵

拉普拉斯矩阵=度矩阵-邻接矩阵

为什么这个矩阵叫拉普拉斯矩阵呢？依我有限的理解，可以联系网格顶点的拉普拉斯坐标。
假设图有n个顶点，则图的拉普拉斯矩阵$L^{n\times n}$，将图的顶点坐标也表示为矩阵为$V^{n\times 3}$, 将拉普拉斯矩阵左乘顶点矩阵，即$L\times V$，得到的是图的顶点的拉普拉斯坐标矩阵$L{v}^{n\times 3}$

举个栗子

拉普拉斯矩阵=度矩阵-邻接矩阵

考虑一个简单的二维网格，由4个顶点和4条边组成，如下所示：

   1 -- 2
   |    |
   3 -- 4

我们可以使用邻接矩阵和度矩阵来构建拉普拉斯矩阵。

• 邻接矩阵：邻接矩阵表示了顶点之间的连接关系。在这个例子中，邻接矩阵为：

   [[0, 1, 0, 1],
    [1, 0, 1, 0],
    [0, 1, 0, 1],
    [1, 0, 1, 0]]

• 度矩阵：度矩阵表示了每个顶点的度数（即与之相连的边的数量）。在这个例子中，度矩阵为：

   [[2, 0, 0, 0],
    [0, 2, 0, 0],
    [0, 0, 2, 0],
    [0, 0, 0, 2]]

• 拉普拉斯矩阵：通过将度矩阵减去邻接矩阵，我们可以得到拉普拉斯矩阵。在这个例子中，拉普拉斯矩阵为：

   [[2, -1, 0, -1],
    [-1, 2, -1, 0],
    [0, -1, 2, -1],
    [-1, 0, -1, 2]]

这个拉普拉斯矩阵描述了网格中顶点之间的连接关系和边界条件。通过对该矩阵进行特征值分解，可以进行网格的谱分解和频谱分析。
对于给定的拉普拉斯矩阵：

$$L=\left[\begin{array}{cccc}2& -1& 0& -1\\ -1& 2& -1& 0\\ 0& -1& 2& -1\\ -1& 0& -1& 2\end{array}\right]$$

• 进行特征值分解

使用适当的数值计算库或线性代数软件进行特征值分解。这可以通过调用相应的函数或方法来完成。

特征值分解的结果可以表示为：
$$L=Q\Lambda Q^{-1}$$

其中，$Q$ 是特征向量矩阵，$\Lambda$ 是特征值对角矩阵。

得到结果如下：

特征值（Eigenvalues）：
${\lambda }_1=0$，${\lambda }_2=1$，${\lambda }_3=3$，${\lambda }_4=4$

特征向量（Eigenvectors）：
$$v_1=\left[\begin{array}{c}1\\ 1\\ 1\\ 1\end{array}\right]$$
$$v_2=\left[\begin{array}{c}-1\\ 1\\ -1\\ 1\end{array}\right]$$
$$v_3=\left[\begin{array}{c}1\\ -1\\ -1\\ 1\end{array}\right]$$
$$v_4=\left[\begin{array}{c}-1\\ -1\\ 1\\ 1\end{array}\right]$$

请注意，特征值的顺序是按照从小到大排列的。特征向量对应于特征值的顺序，即 $v_1$ 对应于 ${\lambda }_1$，$v_2$ 对应于 ${\lambda }_2$，依此类推。

特征值分解提供了关于矩阵的结构和性质的重要信息。在这个例子中，特征值分解揭示了该网格的特征模式和频率，其中特征值 0 对应于一个常数模式，特征值 1 对应于一个线性模式，特征值 3 和 4 对应于更高频率的模式。特征向量表示了每个特征模式的空间形状。

应用

网格压缩

Spectral Compression of Mesh Geometry

文章概述：
这篇文章主要介绍了一种称为"网格几何谱压缩"的技术，用于对网格几何数据进行压缩。该方法利用了网格的谱性质，并通过保留关键频率分量来实现高效的压缩。作者通过实验证明了该方法在减小网格数据尺寸的同时，能够保持较高的几何质量和视觉效果。

技术要点：

1. 网格谱性质的利用： 该方法利用了网格的谱性质，即网格的特征向量和特征值之间的关系。通过对网格进行谱分解，可以得到一组特征向量和对应的特征值，这些特征向量表示了网格的几何形状。基于这些特征向量，可以对网格进行重建或者压缩。

2. 关键频率分量的保留： 为了实现高效的压缩，该方法选择保留网格特征向量中的关键频率分量，即对应于较大特征值的特征向量。这些关键频率分量包含了网格的主要几何信息，而忽略较小特征值对应的特征向量可以有效减小数据尺寸。

3. 压缩算法： 文章提出了一种基于关键频率分量的压缩算法。该算法首先对网格进行谱分解，然后根据预设的压缩比例选择要保留的特征向量数量。通过仅保留关键频率分量并丢弃其他分量，可以大幅减小数据尺寸。最后，利用保留的特征向量重建原始网格。

相比以前方法的改进：
相较于以前的方法，这篇文章提出的网格几何谱压缩方法具有以下改进：

1. 高效性： 该方法利用了网格的谱性质，通过保留关键频率分量实现了高效的压缩。相比于传统的方法，该方法可以在减小数据尺寸的同时保持较高的几何质量和视觉效果。
2. 几何质量的保持： 该方法在压缩过程中，选择保留关键频率分量，这些分量包含了网格的主要几何信息。因此，通过该方法压缩后的网格能够保持较高的几何质量，避免了传统压缩方法可能引入的形变或失真。

文章的不足：
尽管这篇文章提出的网格几何谱压缩方法具有一定的优势，但也存在一些不足之处：

1. 压缩比例的限制： 该方法在选择要保留的特征向量数量时，依赖于预设的压缩比例。这可能导致在一些情况下，无法达到较高的压缩比例要求。
2. 计算复杂度： 文章未详细探讨该方法的计算复杂度。由于谱分解等操作可能较为耗时，该方法在大规模网格数据上的计算效率仍然需要进一步研究和改进。

综上所述，这篇文章介绍了一种利用网格谱性质进行几何压缩的方法。相比以前的方法，该方法具有高效性和几何质量保持的优势。然而，仍然存在一些不足，包括压缩比例的限制和计算复杂度方面的待改进之处。

High-Pass Quantization for Mesh Encoding

文章概述：
这篇文章介绍了一种称为"High-Pass Quantization for Mesh Encoding"的方法，用于对网格进行编码和压缩。该方法利用高通滤波器和量化技术，通过保留网格的高频细节信息来实现高效的压缩。作者通过实验证明了该方法在减小网格数据尺寸的同时，能够保持较高的几何质量和视觉效果。

技术要点：

1. 高通滤波器的应用： 该方法使用高通滤波器对网格进行处理，以保留高频细节信息。高通滤波器可以滤除低频成分，使得编码过程更加集中于网格的细节部分，从而实现更高效的压缩。

2. 量化技术： 文章采用了一种基于量化的编码策略。通过将高频细节信息进行量化，将连续的浮点数值转换为离散的整数值，从而减小数据的表示和存储开销。同时，为了保持编码的质量，文章提出了一种自适应的量化策略，根据网格的局部特征调整量化的精度。

3. 编码算法： 文章提出了一种基于高通滤波和量化的编码算法。首先，通过高通滤波器处理网格，提取高频细节信息。然后，对提取的高频细节信息进行自适应量化，得到离散的整数值。最后，将量化后的数据进行编码和压缩，以减小存储空间。

相比以前方法的改进：
相较于以前的方法，这篇文章提出的High-Pass Quantization for Mesh Encoding方法具有以下改进：

1. 高频细节保留： 传统的网格编码方法通常只关注低频成分，而该方法通过使用高通滤波器，专注于保留高频细节信息。这样可以更好地捕捉网格的细节特征，提高几何质量和视觉效果。

2. 自适应量化： 文章提出了一种自适应的量化策略，根据网格的局部特征调整量化的精度。这种自适应性可以更好地平衡压缩比和几何质量，提供更好的编码效果。

文章的不足：
尽管该方法在网格编码和压缩方面有一定的优势，但仍存在一些不足之处：

1. 编码复杂度： 文章未详细探讨该方法的编码复杂度。由于高通滤波和自适应量化等操作的影响，该方法的编码过程可能较为复杂，需要进一步研究和改进。

2. 压缩率的限制： 该方法主要关注高频细节的保留，而对于低频成分的处理相对较少。这可能导致在一些情况下，无法达到较高的压缩比例要求。

综上所述，这篇文章介绍了一种利用高通滤波器和量化技术进行网格编码和压缩的方法。相比以前的方法，该方法通过保留高频细节信息和自适应量化策略，提高了几何质量和视觉效果。然而，仍然存在一些不足，包括编码复杂度和压缩率的限制，需要进一步研究和改进。

网格平滑

参考文章

图的拉普拉斯矩阵介绍：理解图的拉普拉斯矩阵 - 知乎 (zhihu.com)