【笔记】Polygon mesh processing读书笔记（5）

多边形网格处理（5）

5. 参数化（Parameterization）

5.1 通用目标

• 计算一个目标的参数化意味着为其附着一个坐标系统。这个坐标系统有许多可能的应用，比如纹理映射、法向映射（normal mapping）、重网格（re-meshing）、建模与仿真
• 所谓参数化，是指一个函数，把3D表面以一一对应的方式映射到2D域

5.2 三角网格的参数化

• Triangulated surface（三角网格表面），由顶点、位置和三角表面定义——可以使用分段线性函数参数化——这个分段与三角形表面对应
• 也就是说，对每一个顶点$(x_i,y_i,z_i)$，有对应的$(u_i,v_i)$

给定参数空间$\Omega$的一个点$(u,v)$，参数化$\mathbf{x}$表示为
$$\mathbf{x}(u,v)=\alpha {\mathbf{p}}_i+\beta {\mathbf{p}}_j+\gamma {\mathbf{p}}_k$$
其中，$(i,j,k)$表示了包含点$(u,v)$的三角形$[(u_i,v_i),(u_j,v_i),(u_k,v_k)]$，$(\alpha ,\beta ,\gamma )$是重心坐标

• 构建一个三角化表面的参数化，意味着找到每个顶点$i$对应的坐标$(u_i,v_i)$。进一步，这些坐标需要保证参数空间的图像没有自交——这意味着参数空间任意两个三角形的相交方式要么是有一条公共边，要么是一个公共顶点，要么是完全不相交

5.3 重心映射

• 重心映射是最常见的三角化表面参数化的方法，基于Tutte的重心映射定理。

Tutte的重心映射定理

• 给定一个与圆盘拓扑同胚的三角化表面，如果它的边界顶点分布在一个凸多边形上，且内部顶点可以其邻居凸组合，则$(u,v)$坐标构成一个有效的参数化（无自交）

算法

假设顶点按照下列方式排序： { 1 , ⋯   , n i n t } \{1, \cdots, n_{int}\} {1,⋯,nint​}对应内部顶点， { n i n t + 1 , ⋯   , n } \{n_{int}+1, \cdots, n\} {nint​+1,⋯,n}对应边缘顶点，那么应该有：
∀ i ∈ { i , ⋯   , n i n t } : − a i , i ( u i v i ) = ∑ j ≠ i a i , j ( u j v i ) \forall i \in \{i, \cdots, n_{int}\}: \quad -a_{i,i}\begin{pmatrix}u_i\\v_i\end{pmatrix}=\sum_{j\neq i}a_{i,j}\begin{pmatrix}u_j\\v_i\end{pmatrix} ∀i∈{i,⋯,nint​}:−ai,i​(ui​vi​​)=j​=i∑​ai,j​(uj​vi​​)
其中系数$a_{i,j}$满足
$$\{\begin{array}{l}{a}_{i,j}>0,如果v_i和v_j有边相连\\ a_{i,i}=-{\sum }_{j\ne i}{a}_{i,j}\\ a_{i,j}=0,其他\end{array}$$

• Tutte的理论可以定义一系列有效的参数化，因此可以用来构造参数化
  • 首先，把表面的边界点固定在某个凸多边形上；
  • 然后，通过求解公式（2）可以找到内部点的uv坐标。
    • 具体做的时候，实际上$(u_i,v_i)$未知，$(u_j,v_j)$部分已知（边界点已知）
    • 求解两个线性系统$\mathbf{A}\mathbf{u}=\bar{\mathbf{u}}$和$\mathbf{A}\mathbf{v}=\bar{\mathbf{v}}$
    • 等式左边的$\mathbf{u},\mathbf{v}$包含所有内部顶点的坐标（这里$u$和$v$），等式右边$\bar{\mathbf{u}},\bar{\mathbf{v}}$是所有边缘顶点坐标的加权

∀ i ∈ { 1 , ⋯   , n i n t } : { ∑ j = 1 n i n t a i , j u j = u i ˉ = − ∑ j = n i n t + 1 n a i , j u j ∑ j = 1 n i n t a i , j v j = v i ˉ = − ∑ j = n i n t + 1 n a i , j v j \forall i \in \{1,\cdots,n_{int}\}: \quad \begin{cases} \sum_{j=1}^{n_{int}}a_{i,j}u_j = \bar{u_i}=-\sum_{j=n_{int}+1}^{n}a_{i,j}u_j\\ \sum_{j=1}^{n_{int}}a_{i,j}v_j = \bar{v_i} = -\sum_{j=n_{int}+1}^{n}a_{i,j}v_j \end{cases} ∀i∈{1,⋯,nint​}:{∑j=1nint​​ai,j​uj​=ui​ˉ​=−∑j=nint​+1n​ai,j​uj​∑j=1nint​​ai,j​vj​=vi​ˉ​=−∑j=nint​+1n​ai,j​vj​​

• 公式（4）的进一步说明：

  • 对 i ∈ { 1 , n i n t } i \in \{1,n_{int}\} i∈{1,nint​}，任意一个内部点$(u_i,v_i)$，它由它的邻居点的凸组合决定。其中左边是内部点的凸组合，右边是边界点的凸组合
  • 这个式子一共有$n_{int}$个，组成一个线性方程组。其中$a_{i,j}$未知。

• 有许多求解式（4）的方法。对大型网格，有sparse iterative and sparse direct methods，对小型网格，有Gauss-Seidel求解器。实际中，这种方法是迭代地把所有顶点移到它们邻居的重心；

• 这种迭代当$(u,v)$的更新小于给定阈值时停止；或迭代指定轮次后停止。

$\mathbf{A}$矩阵具有一个性质，确保Gauss-Seidel迭代能够收敛

• 一种可能的选择是设$a_{i,j}=1$，若$i,j$之间有边；$a_{i,i}=-|{\mathcal{N}}_i|$,表示顶点$i$的1-邻域个数的相反数。这种选择没有考虑几何（边的长度、三角形的角度等），可能引入失真
• 通过选择不同的权重$a_{i,j}$，可以最小化失真

离散拉普拉斯

• Laplacian是多变量函数二阶偏导的泛化。在平面2D上，拉普拉斯算子表示为$\Delta f=\frac{{\partial }^{2}f}{\partial x^2}+\frac{{\partial }^{2}f}{\partial y^2}$
• 这里Laplacian度量某个函数的规律性（regularity）。例如对线性函数来说，Laplacian为0，表示梯度没有变换，也就是平滑。因此，$u,v$的Laplacian可以用来保证参数坐标的平滑
• Laplacian拓展到曲线上就是Laplace-Beltrami算子。对某个顶点$\mathbf{x}(u_i,v_i)$，有一种离散拉普拉斯：

$$\begin{gathered} a_{i,j}=\frac{1}{2A_i}(\cot {\alpha }_{i,j}+\cot {\beta }_{i,j}) \\ {a}_{i,i}=-\sum _{j\ne i}{a}_{i,j} \end{gathered}$$

• 这种形式的Laplacian可以表示为一个矩阵，其中非0元素表示了网格的连通性，并且满足$a_{i,i}=-{\sum }_{j\ne i}{a}_{i,j}$。这个正好可以用来当做上面参数化中的权重系数$a_{i,j}$ [Eck1995]
• 注意，公式（5）在网格存在钝角的时候可能为负，这就不满足Tutte的定理了。咋弄呢？一种方法是把原始网格在细分一下 [Rivara1984]；另一种法子就是换一种权重的定义 [Floater2003]，把对角的余切和变成半角的正切。这种方式也叫平均值权重。这种方法能保证Tutte定理的正性。
• 但是还有一个问题，就是Tutte定理要求边界点落在某个凸多边形上。然而有些网格固定边界点本身就很难：比如，有些网格很难找到一种“自然”的边界划分方式；有些表面，表面不一定是凸的。

小结

Tutte定理的参数化能够确保参数化网格无自交。但是Tutte定理的执行需要很强的前提条件。

5.4 保角映射（Conformal mapping）

• 各项异的椭圆在参数化方法中扮演中心角色。对保角映射来说，所关注的是各项异的椭圆的一个特殊类，也就是圆。也就是说，在网格空间，两个梯度向量${\mathbf{x}}_u$和${\mathbf{x}}_v$是正交且等长的。

• 保角性意味着Jacobian变换矩阵$\mathbf{J}$只包含旋转和缩放（也就是相似变换，similarity transform）。所以，保角性其实就是相似变换。

• 怎么计算保角参数化呢？

三角形的梯度

• 观察三角形，建立局部坐标系，有

• 说明：$\mathbf{X}$很容易理解，$\mathbf{Y}$就是把$\mathbf{X}$旋转90度；或者可以先算法向（平面内两个向量的叉积），然后再做一次叉积
• 假设有一个函数能够把三角形局部坐标系下的点$(X,Y)$映射到参数空间的点$(u,v)$,那这个函数的梯度怎么求？

$\nabla u=\left[\begin{array}{c}\partial u/\partial X\\ \partial u/\partial Y\end{array}\right]=\frac{1}{2A_T}\left[\begin{array}{ccc}{Y}_j-Y_k& Y_k-Y_i& Y_i-Y_j\\ X_k-X_j& X_i-X_k& X_j-X_i\end{array}\right]\left(\begin{array}{c}{u}_i\\ u_j\\ u_k\end{array}\right)$

• 说明：这个只对坐标$u$求偏导，等式右边前面是一个常量，后面是包含这个点的三个顶点的$u$坐标分量；
• 根据保角映射的拟也是保角映射，有$\nabla v=\mathbf{n}\times \nabla u$

最小二乘保角映射（LSCM）

• LSCM方法简单地表达表面到参数空间映射函数的保角性条件
• 设表面三角形，和它的局部正交基，在这种情况下有

$$\nabla v=(\nabla u{)}^{\perp }=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]\nabla u$$

• 对分段线性保角映射，满足

$${\mathbf{M}}_T\left(\begin{array}{c}{v}_i\\ v_j\\ v_k\end{array}\right)-\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]{\mathbf{M}}_T\left(\begin{array}{c}{u}_i\\ u_j\\ u_k\end{array}\right)=0$$

• 当表面可展开（developable）时，上式成立；其余情形，通过最小化能量函数$E_{LSCM}$
• $E_{LSCM}$与平移和旋转无关，因此最小解不唯一。因此，实际处理时要固定至少两个顶点来减少优化的自由度

保角映射的几何方法（ABF）

• Angle-based flattening （ABF）
• 观察到：参数空间是一个二维triangulation，唯一地由所有三角形拐角的角度决定
• 找到$(u_i,v_i)$坐标——与角度有关——使得下式能量最小化：

$$E_{ABF}(\alpha )=\sum _{T\in \mathcal{F}}\sum _{k=1}^3(\frac{{\alpha }_k^T-{\beta }_k^T}{{\beta }_k^T}{)}^2$$

${\alpha }_k^T$是2D未知角度；${\beta }_k^T$是3D mesh上的角度，也是逼近的目标

• 这里需要使求得的2D角度是一个有效的三角化：
  • ${\alpha }_1^T+{\alpha }_2^T+{\alpha }_3^T=\pi$
  • 对每个内点，one-ring内角和为$2\pi$
  • 为确保重建的三角形能合上，一个顶点相关的所有边的边长和角度有要求
  • 这几个条件可以作为Lagrangian加到能量函数里

5.5 基于失真（扭曲）分析的方法

• 考察第一基本型$\mathbf{I}$
  • 如果${\sigma }_1={\sigma }_2$，是保角的
  • 如果${\sigma }_1{\sigma }_2=1$，是保面积的
  • 如果${\sigma }_1={\sigma }_2=1$，是等距的，也就是全等变换
• 只有可展曲面可以做到等距参数化。这种表面的告诉曲率处处为0

分段线性表面的度量性质

• 对前面提到的从三角形局部坐标系$(X,Y)$到参数空间$(u,v)$的映射函数，其梯度形式是一个Jacobian：

$${\mathbf{J}}_T=\left[\begin{array}{cc}\partial u/\partial X& \partial v/\partial X\\ \partial u/\partial Y& \partial v/\partial Y\end{array}\right]=[{\mathbf{u}}_X,{\mathbf{u}}_Y]$$

• 说明：这个Jacobian对每个三角形$T$都是恒定的

• 通过Jacobian可以计算出第一基本型${\mathbf{I}}_T={\mathbf{J}}_T^T\mathbf{J}$

• 由第一基本型可以求出${\sigma }_1,{\sigma }_2$

若干基于失真分析的参数化方法

Green-Lagrange Deformation Tensor

• $\mathbf{L}=\mathbf{I}-\mathbf{I}\mathbf{d}$，度量“non-isometry”。但是$\mathbf{L}$是个矩阵，最优化十分困难

MIPS

• 最小化${\sigma }_1/{\sigma }_2$，实际上是Jacobian矩阵的2范数形式
• 由于2范数也不好优化，用F范数取代

Signal-specialized parameterization

小结

• 参数化方法有固定边界和自由边界两类
• 上述方法处理的对象都是圆盘拓扑同胚的，没有考虑更复杂的情况