本章从微分几何和拓扑学的角度深入探讨3D mesh的数学性质。我们将学习如何在离散网格上计算曲率、测地线等连续几何概念，理解网格的拓扑不变量，并掌握基于微分算子的网格处理技术。这些理论工具是现代几何处理算法的基础，在网格优化、特征提取、形状分析等任务中发挥着关键作用。
微分几何研究光滑曲面的局部和全局性质，而3D mesh是分片线性的离散结构。离散微分几何的核心挑战是如何在网格上定义和计算传统的微分量。
基本概念映射：
顶点 $v_i$ 的1-ring邻域是理解局部几何的基础：
v_j
/\
/ \
/ \
/ \
v_k -------- v_i -------- v_l
\ /
\ /
\ /
\/
v_m
关键量的定义：
在网格上，我们使用离散外微分(DEC)框架来推广微分形式：
0-形式（标量场）：定义在顶点上 \(f: V \rightarrow \mathbb{R}\)
1-形式（向量场）：定义在边上 \(\omega: E \rightarrow \mathbb{R}\)
2-形式（流量）：定义在面上 \(\Omega: F \rightarrow \mathbb{R}\)
外微分算子： \(d^0: \Omega^0 \rightarrow \Omega^1, \quad d^1: \Omega^1 \rightarrow \Omega^2\)
对于顶点函数 $f$，其在三角形 $T=(v_i, v_j, v_k)$ 上的梯度为：
\[\nabla f|_T = \frac{1}{2A_T} \sum_{i} f_i (v_{i+1} - v_{i-1})^{\perp}\]其中 $(v)^{\perp}$ 表示将向量 $v$ 在三角形平面内逆时针旋转90度。
向量场 $X$ 的散度在顶点 $v_i$ 处定义为：
\[(\text{div} X)_i = \frac{1}{2A_i} \sum_{j \in N(i)} (\cot \alpha_{ij} + \cot \beta_{ij}) \langle X, v_j - v_i \rangle\]其中 $\alpha_{ij}$ 和 $\beta_{ij}$ 是边 $(v_i, v_j)$ 对面的两个角。
曲率描述曲面偏离平面的程度：
主曲率 $\kappa_1, \kappa_2$ 与高斯、平均曲率的关系： \(K = \kappa_1 \cdot \kappa_2, \quad H = \frac{\kappa_1 + \kappa_2}{2}\)
角度缺陷法（Angle Deficit）：
对于内部顶点 $v_i$： \(K_i = \frac{2\pi - \sum_{j} \theta_{ij}}{A_i}\)
其中 $\theta_{ij}$ 是顶点 $v_i$ 处相邻面的夹角，$A_i$ 是混合Voronoi面积。
Gauss-Bonnet定理的离散版本： \(\sum_{i \in V_{\text{int}}} K_i A_i + \sum_{i \in V_{\text{bnd}}} \kappa_g^i l_i = 2\pi \chi(M)\)
Cotangent公式：
平均曲率法向量（mean curvature normal）： \(H_i \mathbf{n}_i = \frac{1}{2A_i} \sum_{j \in N(i)} (\cot \alpha_{ij} + \cot \beta_{ij})(v_j - v_i)\)
平均曲率标量： \(H_i = \frac{1}{4A_i} \sum_{j \in N(i)} (\cot \alpha_{ij} + \cot \beta_{ij}) ||v_j - v_i|| \cos \phi_{ij}\)
其中 $\phi_{ij}$ 是边向量 $(v_j - v_i)$ 与法向量 $\mathbf{n}_i$ 的夹角。
通过构造形状算子矩阵 $S$，可以计算主曲率和主方向：
测地线是曲面上两点间的局部最短路径，满足测地曲率为零： \(\kappa_g = 0\)
在离散网格上，精确测地线可能穿过三角形内部，需要特殊算法处理。
最简单的近似：将网格视为图，计算边权重和：
# 伪代码
def dijkstra(mesh, source):
dist = {v: inf for v in mesh.vertices}
dist[source] = 0
heap = [(0, source)]
while heap:
d, u = heappop(heap)
for v in neighbors(u):
new_dist = d + edge_length(u, v)
if new_dist < dist[v]:
dist[v] = new_dist
heappush(heap, (new_dist, v))
return dist
优点：简单快速 缺点：路径被限制在边上，误差可达 $O(h)$
Mitchell-Mount-Papadimitriou算法计算精确的测地距离：
关键数据结构：
Window = {
source: 起始点
interval: 边上的区间 [a, b]
distance_function: 到source的测地距离函数
}
基于Eikonal方程的数值解法： \(||\nabla u|| = 1\)
在三角形 $T$ 上的局部更新规则： \(u_C = \min_{P \in AB} (||P - C|| + u_P)\)
算法步骤：
Crane等人提出的基于热扩散的测地距离计算：
Step 1：求解热方程 \((\Delta - \frac{1}{t}\text{Id})u = \frac{1}{t}\delta_s\)
Step 2：计算归一化梯度场 \(X = -\frac{\nabla u}{||\nabla u||}\)
Step 3：求解Poisson方程 \(\Delta \phi = \nabla \cdot X\)
优势：预计算分解后可实时查询，适合多源点场景
拉普拉斯算子 $\Delta$ 是微分几何中最重要的算子之一，它连接了几何、分析和物理：
连续拉普拉斯-贝尔特拉米算子： \(\Delta f = \text{div}(\nabla f)\)
最常用的离散拉普拉斯算子，具有良好的收敛性：
\[(\Delta f)_i = \frac{1}{2A_i} \sum_{j \in N(i)} (\cot \alpha_{ij} + \cot \beta_{ij})(f_j - f_i)\]矩阵形式： \(L = D^{-1}W\)
其中：
组合拉普拉斯（Graph Laplacian）： \((\Delta_G f)_i = \sum_{j \in N(i)} (f_j - f_i)\)
归一化拉普拉斯： \((\Delta_N f)_i = \frac{1}{|N(i)|} \sum_{j \in N(i)} (f_j - f_i)\)
各向异性拉普拉斯： 考虑边的方向性权重，用于特征保持的处理。
对称性： \(\langle Lf, g \rangle = \langle f, Lg \rangle\)
半正定性： \(\langle Lf, f \rangle \geq 0\)
零空间： 常函数在零空间中，连通网格的零空间维度为1。
与曲率的关系： \(\Delta \mathbf{x} = 2H\mathbf{n}\)
拉普拉斯的特征值问题： \(L\phi_k = \lambda_k M\phi_k\)
其中 $M$ 是质量矩阵。
特征值性质：
特征函数的意义：
网格平滑： \(\mathbf{x}^{(t+1)} = \mathbf{x}^{(t)} + \lambda \Delta \mathbf{x}^{(t)}\)
参数化： 最小化Dirichlet能量： \(E(u) = \frac{1}{2}\langle u, Lu \rangle\)
形状描述子：
网格编辑： 保持拉普拉斯坐标的变形： \(\min_{\mathbf{x}'} ||L\mathbf{x}' - \delta||^2\)
拓扑研究在连续变形下保持不变的性质：
欧拉特征数是最基本的拓扑不变量： \(\chi = V - E + F\)
其中 $V, E, F$ 分别是顶点、边、面的数量。
与亏格的关系：
其中 $g$ 是亏格，$b$ 是边界环数。
算法步骤：
实际考虑：
def compute_genus(mesh):
V, E, F = len(mesh.vertices), len(mesh.edges), len(mesh.faces)
chi = V - E + F
# 计算连通分量
components = compute_connected_components(mesh)
c = len(components)
# 计算边界
boundary_loops = find_boundary_loops(mesh)
b = len(boundary_loops)
genus = (2*c - chi - b) / 2
return genus
同调理论提供了更精细的拓扑描述：
0-同调 $H_0$：连通分量
1-同调 $H_1$：独立环路
2-同调 $H_2$：空腔
贝蒂数（Betti numbers）： \(\chi = \beta_0 - \beta_1 + \beta_2\)
持续同调追踪拓扑特征在不同尺度下的演化：
滤流（Filtration）： \(K_0 \subseteq K_1 \subseteq ... \subseteq K_n = K\)
持续图（Persistence Diagram）： 记录拓扑特征的”出生”和”死亡”时间。
应用：
Reeb图是基于标量函数的拓扑骨架：
构造过程：
关键点类型：
应用：
Morse理论研究流形上光滑函数的临界点与拓扑的关系。
Morse函数： 函数 $f: M \rightarrow \mathbb{R}$ 是Morse函数，如果所有临界点都是非退化的（Hessian矩阵非奇异）。
临界点分类（2D情况）：
Morse不等式： \(\beta_k \leq c_k\)
其中 $\beta_k$ 是第 $k$ 个贝蒂数，$c_k$ 是指标为 $k$ 的临界点数。
离散Morse理论： 在网格上定义离散Morse函数，通过组合方法分析拓扑。
Morse-Smale复形将流形分解为具有均匀梯度流行为的区域。
构造步骤：
应用：
利用拉普拉斯特征函数进行几何处理。
谱嵌入： 将网格映射到特征空间： \(\mathbf{x} \mapsto (\phi_1(\mathbf{x}), \phi_2(\mathbf{x}), ..., \phi_k(\mathbf{x}))\)
谱距离： \(d_{\text{spec}}(x, y) = ||\Phi(x) - \Phi(y)||\)
其中 $\Phi = (\sqrt{\lambda_1}\phi_1, …, \sqrt{\lambda_k}\phi_k)$
谱滤波： 在频域进行滤波操作： \(f_{\text{filtered}} = \sum_{k} h(\lambda_k)\langle f, \phi_k \rangle \phi_k\)
其中 $h$ 是滤波器传递函数。
使用拉普拉斯谱作为形状的”指纹”。
定义： 形状DNA = 归一化的特征值序列 \(\text{DNA} = (\lambda_1/\lambda_1, \lambda_2/\lambda_1, ..., \lambda_k/\lambda_1)\)
性质：
改进版本：
函数映射（Functional Maps）提供了一种在函数空间中表示形状对应的方法。
核心思想： 不直接寻找点对应 $T: M \rightarrow N$，而是寻找函数对应： \(C: L^2(M) \rightarrow L^2(N)\)
谱表示： 在拉普拉斯基下，函数映射是矩阵： \(C_{ij} = \langle T\phi_i^M, \phi_j^N \rangle\)
优势：
最优传输理论在形状分析中的应用。
Kantorovich问题： \(W_2^2(\mu, \nu) = \min_{\pi} \int_{M \times N} d^2(x, y) d\pi(x, y)\)
离散化： 在网格顶点上定义概率分布，使用线性规划求解。
应用：
本章深入探讨了3D mesh的微分几何和拓扑性质，主要内容包括：
离散微分几何基础：学习了如何在离散网格上定义和计算微分算子，包括梯度、散度和外微分。
曲率计算：掌握了离散高斯曲率（角度缺陷法）和平均曲率（cotangent公式）的计算方法，理解了曲率在形状分析中的应用。
测地线算法：比较了Dijkstra、MMP、Fast Marching和Heat Method等算法，理解了精度与效率的权衡。
拉普拉斯算子：深入理解了cotangent拉普拉斯的构造和性质，掌握了谱分解及其在形状分析中的应用。
拓扑不变量：学习了欧拉特征数、亏格、同调群等拓扑概念，理解了持续同调和Reeb图的构造。
高级话题：了解了Morse理论、谱几何处理、函数映射等前沿技术。
关键公式汇总：
练习3.1 给定一个顶点 $v$ 的1-ring邻域，其相邻顶点按逆时针顺序为 $v_1, v_2, …, v_6$，对应的对角 $\alpha_1, …, \alpha_6$。证明角度和 $\sum_{i=1}^6 \alpha_i = 2\pi$ 当且仅当顶点 $v$ 位于平面上。
练习3.2 计算一个正四面体网格的欧拉特征数，并确定其亏格。
练习3.3 解释为什么cotangent权重可能为负，这在几何上意味着什么？
练习3.4 对于一个平面三角网格，证明其拉普拉斯坐标 $\Delta \mathbf{x} = 0$。
练习3.5 设计一个算法来检测网格中的”特征线”，定义为主曲率方向场的积分曲线。讨论如何处理脐点（两个主曲率相等的点）。
练习3.6 实现一个基于持续同调的网格简化算法，保留”重要”的拓扑特征。
练习3.7 推导离散测地曲率的计算公式，并讨论其在网格边界处理中的应用。
练习3.8 探讨如何将谱方法扩展到点云数据（没有显式的网格连接）。
下一章预告：第4章：Mesh生成算法 - 深入学习从隐式函数、点云和体素数据生成高质量网格的各种算法。