第3章：微分几何与拓扑

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。

3.1 离散微分几何基础

3.1.1 从连续到离散

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：

• 连续曲面 → 三角网格
• 光滑函数 → 顶点上的标量场
• 切空间 → 顶点的1-ring邻域
• 微分算子 → 有限差分近似

3.1.2 顶点的1-ring邻域

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：

• Voronoi区域面积 $A_i$：顶点 $v_i$ 的"控制区域"
• 边权重 $w_{ij}$：边 $(v_i, v_j)$ 的几何权重
• 角度和 $\theta_i = \sum_{j \in N(i)} \theta_{ij}$

3.1.3 离散外微分

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： $$d^0: \Omega^0 \rightarrow \Omega^1, \quad d^1: \Omega^1 \rightarrow \Omega^2$$

3.1.4 离散梯度

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。

3.1.5 离散散度

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。

3.2 高斯曲率与平均曲率计算

3.2.1 曲率的直观理解

曲率描述曲面偏离平面的程度：

• 高斯曲率 $K$：内蕴曲率，描述曲面的局部"弯曲程度"
• 平均曲率 $H$：外在曲率，描述曲面的"平均弯曲方向"

主曲率 $\kappa_1, \kappa_2$ 与高斯、平均曲率的关系： $$K = \kappa_1 \cdot \kappa_2, \quad H = \frac{\kappa_1 + \kappa_2}{2}$$

3.2.2 离散高斯曲率

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： $$\sum_{i \in V_{\text{int}}} K_i A_i + \sum_{i \in V_{\text{bnd}}} \kappa_g^i l_i = 2\pi \chi(M)$$

3.2.3 离散平均曲率

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。

3.2.4 主曲率和主方向

通过构造形状算子矩阵 $S$，可以计算主曲率和主方向：

1. 投影到切平面
2. 构造 $2 \times 2$ 形状算子矩阵
3. 特征值为主曲率 $\kappa_1, \kappa_2$
4. 特征向量为主方向

3.2.5 曲率的应用

• 特征线提取：沿主曲率方向追踪
• 网格分割：基于曲率的区域生长
• 简化指导：保持高曲率区域的细节
• 形状描述子：曲率直方图、形状指数

3.3 测地线与最短路径算法

3.3.1 测地线的定义

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。

3.3.2 Dijkstra算法（图上最短路）

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 $O(h)$

3.3.3 MMP算法（精确测地线）

Mitchell-Mount-Papadimitriou算法计算精确的测地距离：

1. 窗口传播：维护每条边上的"窗口"结构
2. 窗口合并：处理窗口相交和遮挡
3. 复杂度：$O(n^2 \log n)$

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
}

3.3.4 Fast Marching算法

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：

1. 初始化：源点距离为0，其他为∞
2. 传播：按距离递增顺序更新顶点
3. 局部求解：在每个三角形内求解Eikonal方程

3.3.5 热方法（Heat Method）

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

3.3.6 测地线的应用

• 网格参数化：测地极坐标
• 形状对应：测地距离作为形状描述子
• 路径规划：机器人导航、游戏AI
• 纹理映射：沿测地线展开

3.4 网格上的拉普拉斯算子

3.4.1 拉普拉斯算子的重要性

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：

• 几何意义：测量函数偏离局部平均值的程度
• 物理意义：描述扩散、传导等过程
• 谱分析：特征值和特征函数揭示形状的内在性质

连续拉普拉斯-贝尔特拉米算子： $$\Delta f = \text{div}(\nabla f)$$

3.4.2 Cotangent拉普拉斯

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：

• $W_{ij} = -(\cot \alpha_{ij} + \cot \beta_{ij})$ （非对角元素）
• $W_{ii} = -\sum_{j \neq i} W_{ij}$ （对角元素）
• $D_{ii} = 2A_i$ （质量矩阵）

3.4.3 其他离散化方案

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。

3.4.4 拉普拉斯的性质

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： $$\Delta \mathbf{x} = 2H\mathbf{n}$$

3.4.5 谱分解

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：

• $0 = \lambda_0 < \lambda_1 \leq \lambda_2 \leq ...$
• $\lambda_1$ (Fiedler值)反映网格的连通性
• 特征值增长率与维度相关

特征函数的意义：

• $\phi_0$：常函数
• $\phi_1, \phi_2, \phi_3$：近似线性坐标函数
• 高阶特征函数：捕捉高频细节

3.4.6 拉普拉斯的应用

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：

• Heat Kernel Signature (HKS)
• Wave Kernel Signature (WKS)
• Global Point Signature (GPS)

网格编辑： 保持拉普拉斯坐标的变形： $$\min_{\mathbf{x}'} ||L\mathbf{x}' - \delta||^2$$

3.5 拓扑不变量与欧拉特征数

3.5.1 网格的拓扑性质

拓扑研究在连续变形下保持不变的性质：

• 连通性：网格是否为一个整体
• 亏格（genus）：网格中"洞"的数量
• 边界：开放vs封闭网格
• 可定向性：是否有一致的法向量定义

3.5.2 欧拉特征数

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：

• 封闭可定向曲面：$\chi = 2 - 2g$
• 有边界曲面：$\chi = 2 - 2g - b$

其中 $g$ 是亏格，$b$ 是边界环数。

3.5.3 亏格计算

算法步骤：

1. 计算欧拉特征数 $\chi = V - E + F$
2. 计算连通分量数 $c$
3. 计算边界环数 $b$
4. 亏格 $g = \frac{2c - \chi - b}{2}$

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

3.5.4 同调群

同调理论提供了更精细的拓扑描述：

0-同调 $H_0$：连通分量

• $\beta_0 = \dim(H_0)$ = 连通分量数

1-同调 $H_1$：独立环路

• $\beta_1 = \dim(H_1) = 2g + b - 1$（连通情况）

2-同调 $H_2$：空腔

• $\beta_2 = \dim(H_2)$（通常为0或1）

贝蒂数（Betti numbers）： $$\chi = \beta_0 - \beta_1 + \beta_2$$

3.5.5 持续同调

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：

• 形状简化：去除短寿命的拓扑特征
• 特征检测：识别显著的拓扑结构
• 形状匹配：比较持续图的相似性

3.5.6 Reeb图

Reeb图是基于标量函数的拓扑骨架：

构造过程：

1. 选择标量函数 $f: M \rightarrow \mathbb{R}$（如高度函数）
2. 等值线 $f^{-1}(c)$ 的连通分量定义等价关系
3. Reeb图是商空间 $M/\sim$

关键点类型：

• 极小值：Reeb图的叶子节点
• 极大值：Reeb图的叶子节点
• 鞍点：Reeb图的分叉点

应用：

• 形状骨架提取
• 拓扑简化
• 形状检索和匹配

3.6 高级话题：Reeb图与Morse理论、谱网格处理

3.6.1 Morse理论

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）：

• 极小值：Hessian特征值均为正，指标为0
• 鞍点：Hessian特征值一正一负，指标为1
• 极大值：Hessian特征值均为负，指标为2

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。

3.6.2 Morse-Smale复形

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：

1. 计算临界点（极值点和鞍点）
2. 追踪积分线（梯度上升/下降路径）
3. 构建稳定/不稳定流形
4. 求交得到Morse-Smale复形

应用：

• 地形分析：分水岭算法
• 形状分割：基于梯度流的自然分割
• 特征提取：脊线和谷线

3.6.3 谱几何处理

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。

3.6.4 形状DNA

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：

• 等距不变性
• 对网格分辨率鲁棒
• 包含多尺度信息

改进版本：

• Heat Kernel Signature (HKS)：$k_t(x, x) = \sum_k e^{-\lambda_k t}\phi_k^2(x)$
• Wave Kernel Signature (WKS)：考虑量子粒子的能量分布

3.6.5 函数映射框架

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：

• 紧凑表示（$k \times k$ 矩阵）
• 线性约束
• 易于正则化

3.6.6 最优传输与Wasserstein距离

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：

• 形状插值：Wasserstein重心
• 纹理传输：最优传输映射
• 形状匹配：基于传输距离的相似性

本章小结

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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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：

• 离散高斯曲率：$K_i = (2\pi - \sum_j \theta_{ij})/A_i$
• 离散平均曲率：$H_i\mathbf{n}_i = \frac{1}{2A_i}\sum_j (\cot\alpha_{ij} + \cot\beta_{ij})(v_j - v_i)$
• Cotangent拉普拉斯：$(\Delta f)_i = \frac{1}{2A_i}\sum_j (\cot\alpha_{ij} + \cot\beta_{ij})(f_j - f_i)$
• 欧拉特征数：$\chi = V - E + F = 2 - 2g - b$

练习题

基础题

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 $\Delta \mathbf{x} = 0$。

挑战题

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）。

常见陷阱与错误 (Gotchas)

1. 数值不稳定性 - 问题：Cotangent权重在接近退化三角形时会趋于无穷 - 解决：添加小的正则化项或使用截断

2. 边界处理 - 问题：边界顶点的1-ring不完整，导致曲率计算错误 - 解决：使用特殊的边界公式或虚拟闭合技术

3. 拓扑噪声 - 问题：小的拓扑缺陷（如微小的手柄）会影响全局拓扑分析 - 解决：使用持续同调过滤噪声特征

4. 测地线算法选择 - 问题：Dijkstra快但不准确，MMP准确但慢 - 解决：根据应用需求权衡，考虑Fast Marching或Heat Method

5. 谱计算规模 - 问题：大规模网格的完整特征分解计算代价高昂 - 解决：使用迭代方法（如Arnoldi）计算前k个特征值

6. 非流形结构 - 问题：T型接头、非流形边会破坏微分算子的定义 - 解决：预处理修复非流形结构或使用鲁棒的算子定义

7. 各向异性采样 - 问题：不均匀的三角形大小影响离散算子的精度 - 解决：使用加权的算子或重新网格化

8. 法向量不一致 - 问题：法向量方向不一致导致曲率符号错误 - 解决：执行法向量定向算法确保一致性

最佳实践检查清单

曲率计算前的准备

• [ ] 检查网格质量（无退化三角形）
• [ ] 确保法向量方向一致
• [ ] 识别并标记边界顶点
• [ ] 选择合适的Voronoi区域定义（mixed或barycentric）

拉普拉斯算子使用

• [ ] 验证网格的流形性质
• [ ] 选择合适的离散化方案（cotangent vs. combinatorial）
• [ ] 考虑质量矩阵的归一化
• [ ] 对大规模问题使用稀疏矩阵表示

测地线计算

• [ ] 评估精度需求 vs. 性能需求
• [ ] 对多查询场景考虑预计算方法
• [ ] 处理边界和孔洞
• [ ] 验证结果的对称性和三角不等式

拓扑分析

• [ ] 验证网格的水密性
• [ ] 检查并修复自相交
• [ ] 使用持续同调识别显著特征
• [ ] 记录拓扑变化的历史

谱方法应用

• [ ] 选择合适的特征函数数量
• [ ] 验证特征值的数值精度
• [ ] 考虑多分辨率方法
• [ ] 使用合适的内积定义

性能优化

• [ ] 利用对称性减少计算
• [ ] 使用空间数据结构加速邻域查询
• [ ] 考虑并行化（特征分解、测地线计算）
• [ ] 缓存重复使用的中间结果

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。