基于張量投票的網(wǎng)格平滑算法

◆徐磊

（遼寧大學(xué) 遼寧 110036）

1 引言

近年來，網(wǎng)格去噪技術(shù)由于其具有挑戰(zhàn)性的性質(zhì)而一直處于非?；钴S的狀態(tài)，目前幾乎沒有什么技術(shù)可以有效地處理所有網(wǎng)格。早期的網(wǎng)格去噪方法大部分都是各向同性的，它們不能保護(hù)尖銳的幾何特征。與此同時(shí)，作為各向同性方法中最具代表性的一員--拉普拉斯平滑算法[1]，該方法實(shí)現(xiàn)速度快且易于實(shí)現(xiàn)，然而，由于拉普拉斯算子將一個(gè)頂點(diǎn)推到它相鄰的凸組合中，這導(dǎo)致了網(wǎng)格收縮。此外，F(xiàn)leishman 等人[2]首先將雙邊濾波引入數(shù)字幾何處理，產(chǎn)生直接應(yīng)用于頂點(diǎn)的雙邊網(wǎng)格去噪方法；Sun 等人[3]采用了多級框架即首先過濾面法線，然后更新基于濾波后面法線的頂點(diǎn)位置；Wu 等人[4]利用L1范數(shù)對ROF 模型進(jìn)行了增強(qiáng)。

2 基于張量投票的網(wǎng)格去噪算法

2.1 頂點(diǎn)分類

首先將網(wǎng)格頂點(diǎn)v的法向張量投票定義為與1環(huán)面相鄰的加權(quán)協(xié)方差矩陣的和：

因?yàn)橐粋€(gè)法向投票張量是一個(gè)對稱的正半定二階張量，它可以被分解為如下形式：

其中，可以根據(jù)張量T的特征值，將三角網(wǎng)格上的一個(gè)頂點(diǎn)分類為角點(diǎn)，邊上點(diǎn)和面上點(diǎn)，假如頂點(diǎn)位于拐角或銳邊上，邊緣強(qiáng)度大約是1，如果它位于一個(gè)面上，則其值幾乎為0。分類條件為：

2.2 頂點(diǎn)預(yù)處理

2.2.1 各向同性平滑

拉普拉斯算子對于低等級的噪聲效果優(yōu)良，而這里采用拉普拉斯平滑算子的改進(jìn)形式，定義如下：是未知頂點(diǎn)位置的矢量化形式，

其中，是用戶自定義平滑參數(shù)，L是均勻地加權(quán)拉普拉斯矩陣，是輸入的的頂點(diǎn)位置的矢量化形式。

2.2.2 網(wǎng)格去噪的正則約束

正則性一般用來刻畫函數(shù)的光滑程度，正則性越高，函數(shù)的光滑性越好。

其中，L（pi）是拉普拉斯算子的切向分量，npi是頂點(diǎn)pi的法向量，wij是拉普拉斯算子的權(quán)重，本文選用傘狀算子即

2.2.3 各向異性L0 濾波

輸入的噪聲網(wǎng)格經(jīng)過各向同性平滑后，表面幾何特征會變得模糊，體積也會收縮，因此，需要使用各向異性濾波器來突出幾何特征，其公式如下：

其中，p是未知頂點(diǎn)位置，p*是相應(yīng)基于區(qū)域的預(yù)濾波后的頂點(diǎn)位置，μ 和γ 是平衡這三項(xiàng)的權(quán)值，R（p）是給定的相應(yīng)正則約束項(xiàng)。

2.3 聯(lián)合雙邊法濾波

為了進(jìn)一步降低噪聲，保留特征，本文采用聯(lián)合雙邊法濾波對各向異性處理后的模型進(jìn)行改善。即借助于已經(jīng)過過濾的面法線場來定義頂點(diǎn)更新問題：

3 結(jié)果分析

圖1 依次展示了十二面體噪聲模型（b）經(jīng)過本文的各向同性平滑（c）、各向異性L0 濾波（d）和聯(lián)合雙邊法濾波處理后的效果圖（e），即便是高等級噪聲或不規(guī)則取樣的干擾，本文算法依然可以魯棒地還原出原始網(wǎng)格模型。

圖1 本文算法執(zhí)行步驟效果圖

4 總結(jié)

本文描述了一個(gè)在去除噪聲的同時(shí)保留幾何特征（尤其是尖銳特征和淺層特征）的方法，在給定噪聲網(wǎng)格輸入的情況下，首先用改進(jìn)的拉普拉斯算子對頂點(diǎn)進(jìn)行濾波，然后添加各向異性L0 濾波強(qiáng)化特征，之后，使用了一種改良的聯(lián)合雙邊濾波方法來處理輸入網(wǎng)格的法向量場，最后利用濾波后的面法線更新頂點(diǎn)位置。在各種噪聲模型上的實(shí)驗(yàn)證明了該方法在保留尖銳（高曲率）和淺層（低曲率）特征方面的有效性，本文方法在恢復(fù)給定模型的幾何形狀方面具有很好的性能，也驗(yàn)證了該算法的魯棒性。