LSCM最小二乘保角参数化

LSCM最小二乘保角参数化

最小二乘思想

已知一组点的数据(x,y)

x	$x_1$	$x_2$	$x_3$	…	$x_n$
y	$y_1$	$y_2$	$y_3$	…	$y_n$

可以近似为线性关系 $y=ax+b$ ，目标为确定常数 $a$ ， $b$ ；

解法：找到 $a$ ， $b$ ，使得所有 $y_i$ 与 $a{x}_i+b$ 偏差的平方和
$$Q=\sum _{i=1}^n(y_i-a{x}_i-b{)}^2$$

最小，此方法为最小二乘法， $y=ax+b$ 视为 $y$ 与 $x$ 之间的近似函数关系

确定常数 $a$ ， $b$ ，使用函数求无条件极值的方法，让 $Q$ 对 $a$ ， $b$ 分别求导通过求其驻点来得到 $Q$ 的极值点，令
$$\frac{\partial Q}{\partial a}=-2\sum _{i=1}^n(y_i-a{x}_i-b)x_i=(2\sum _{i=1}^n{x}_i^2)a+(2\sum _{i=1}^n{x}_i)b-2\sum _{i=1}^n{x}_i{y}_i=0$$

$$\frac{\partial Q}{\partial b}=-2\sum _{i=1}^n(y_i-a{x}_i-b)=(2\sum _{i=1}^n{x}_i)a+(2\sum _{i=1}^{n}1)b-2\sum _{i=1}^n{y}_i=0$$

于是得到线性方程组
$$\left(\begin{array}{cc}{\sum }_{i=1}^n{x}_i^2& {\sum }_{i=1}^n{x}_i\\ {\sum }_{i=1}^n{x}_i& n\end{array}\right)\left(\begin{array}{c}a\\ b\end{array}\right)=\left(\begin{array}{c}{\sum }_{i=1}^n{x}_i{y}_i\\ {\sum }_{i=1}^n{y}_i\end{array}\right)$$
接下来就可以通过矩阵求解解出$a$，$b$的值

梯度的概念

假设有一向量值函数 $f$ ，在三角形的三个点处值已知记为 $f(x_i\text{xi}{x}_i)=f_i=(u_i,v_i)$ ，$f(x_j\text{xj}{x}_j)=f_j=(u_j,v_j)$ ， $f(x_k\text{xk}{x}_k)=f_k=(u_k,v_k)$ ， 在三角形的其他点处对其进行插值如图所示

$$f(x\text{x}x)=f_i{B}_i(x\text{x}x)+f_j{B}_j(x\text{x}x)+f_k{B}_k(x\text{x}x)$$
其中 $B_i(x\text{x}x)=\frac{S_i(x\text{x}x)}{S}$ ， $S_i(x\text{x}x)$ 为点 $x_i$ 的对边与点 $x$ 所构成的三角形面积，$S$ 为原三角形的面积，于是
▽ f ( x ) = f i ▽ B i ( x ) + f j ▽ B j ( x ) + f k ▽ B k ( x ) \triangledown f(\pmb{x})=f_i\triangledown B_i(\pmb{x})+f_j\triangledown B_j(\pmb{x})+f_k\triangledown B_k(\pmb{x}) ▽f(xxx)=fi​▽Bi​(xxx)+f