El análisis espectral de formas se basa en el espectro ( autovalores y/o autofunciones ) del operador de Laplace-Beltrami para comparar y analizar formas geométricas. Dado que el espectro del operador de Laplace-Beltrami es invariante bajo isometrías , resulta idóneo para el análisis o la recuperación de formas no rígidas, es decir, objetos flexibles como personas, animales, plantas, etc.
Laplace
El operador de Laplace-Beltrami interviene en muchas ecuaciones diferenciales importantes, como la ecuación del calor y la ecuación de ondas . Se puede definir en una variedad riemanniana como la divergencia del gradiente de una función de valor real f :
Sus componentes espectrales se pueden calcular resolviendo la ecuación de Helmholtz (o el problema de valores propios del laplaciano):
Las soluciones son las autofunciones.(modos) y valores propios correspondientes, que representa una secuencia divergente de números reales positivos . El primer valor propio es cero para dominios cerrados o cuando se utiliza la condición de contorno de Neumann . Para algunas formas, el espectro se puede calcular analíticamente (por ejemplo, rectángulo, toro plano, cilindro, disco o esfera). Para la esfera, por ejemplo, las funciones propias son los armónicos esféricos .
Las propiedades más importantes de los autovalores y autofunciones son su invariancia isométrica. En otras palabras, si la forma no se estira (por ejemplo, una hoja de papel doblada en la tercera dimensión), los valores espectrales no cambiarán. Los objetos flexibles, como animales, plantas y humanos, pueden adoptar diferentes posturas corporales con un estiramiento mínimo en las articulaciones. Las formas resultantes se denominan casi isométricas y pueden compararse mediante el análisis espectral de formas.
Discretizaciones
Las figuras geométricas suelen representarse como superficies curvas bidimensionales, mallas de superficie bidimensionales (generalmente triangulares ) u objetos sólidos tridimensionales (por ejemplo, mediante mallas de vóxeles o tetraedros ). La ecuación de Helmholtz se puede resolver para todos estos casos. Si existe un límite, como un cuadrado, o el volumen de cualquier figura geométrica tridimensional, es necesario especificar las condiciones de contorno.
Existen varias discretizaciones del operador de Laplace (véase Operador de Laplace discreto ) para los diferentes tipos de representaciones geométricas. Muchos de estos operadores no se aproximan bien al operador continuo subyacente.
Descriptores de forma espectral
ShapeDNA y sus variantes
ShapeDNA es uno de los primeros descriptores de forma espectral. Es la secuencia inicial normalizada de los valores propios del operador de Laplace-Beltrami. [ 1 ] [ 2 ] Sus principales ventajas son la representación simple (un vector de números) y la comparación, la invariancia de escala y, a pesar de su simplicidad, un rendimiento muy bueno para la recuperación de formas no rígidas. [ 3 ] Entre los competidores de shapeDNA se incluyen los valores singulares de la matriz de distancia geodésica (SD-GDM) [ 4 ] y la matriz de distancia biarmónica reducida (R-BiHDM). [ 5 ] Sin embargo, los valores propios son descriptores globales, por lo que shapeDNA y otros descriptores espectrales globales no pueden utilizarse para el análisis de formas locales o parciales.
Firma de punto global (GPS)
La firma del punto global [ 6 ] en un puntoes un vector de autofunciones escaladas del operador de Laplace-Beltrami calculado en(es decir, la incrustación espectral de la forma). El GPS es una característica global en el sentido de que no se puede utilizar para la coincidencia parcial de formas.
Firma del núcleo de calor (HKS)
La firma del núcleo de calor [ 7 ] utiliza la descomposición en valores propios del núcleo de calor :
Para cada punto de la superficie, la diagonal del núcleo de calor.se muestrea en valores de tiempo específicosy produce una firma local que también puede utilizarse para la coincidencia parcial o la detección de simetría.
Firma del núcleo de onda (WKS)
El WKS [ 8 ] sigue una idea similar al HKS, reemplazando la ecuación del calor con la ecuación de onda de Schrödinger.
Firma de núcleo de onda mejorada (IWKS)
El IWKS [ 9 ] mejora el WKS para la recuperación de formas no rígidas al introducir una nueva función de escala a los valores propios y agregar un nuevo término de curvatura.
Firma espectral de ondículas gráficas (SGWS)
SGWS es un descriptor local que no solo es invariante isométricamente, sino también compacto, fácil de calcular y que combina las ventajas de los filtros de paso de banda y de paso bajo. Una faceta importante de SGWS es la capacidad de combinar las ventajas de WKS y HKS en una única firma, al tiempo que permite una representación multirresolución de las formas. [ 10 ]
Coincidencia espectral
La descomposición espectral del laplaciano del grafo asociado a formas complejas (véase Operador de Laplace discreto ) proporciona autofunciones (modos) que son invariantes a las isometrías. Cada vértice de la forma puede representarse de forma única mediante una combinación de los valores automodales en cada punto, a veces denominados coordenadas espectrales:
La correspondencia espectral consiste en establecer correspondencias de puntos emparejando vértices de diferentes formas que tengan las coordenadas espectrales más similares. Los primeros trabajos [ 11 ] [ 12 ] [ 13 ] se centraron en correspondencias dispersas para estereoscopía. La eficiencia computacional actual permite correspondencias densas en mallas completas, por ejemplo, entre superficies corticales. [ 14 ] La correspondencia espectral también podría utilizarse para el registro de imágenes no rígidas complejas , que es particularmente difícil cuando las imágenes tienen deformaciones muy grandes. [ 15 ] Estos métodos de registro de imágenes basados en valores espectrales de modales propios capturan características de forma globales y contrastan con los métodos convencionales de registro de imágenes no rígidas que a menudo se basan en características de forma locales (por ejemplo, gradientes de imagen).
Referencias
- ↑ Reuter, M.; Wolter, F.-E.; Peinecke, N. (2005). "Espectros de Laplace como huellas dactilares para la coincidencia de formas". Actas del Simposio ACM de 2005 sobre modelado sólido y físico . págs. 101–106 . doi : 10.1145/1060244.1060256 .
- ↑ Reuter, M.; Wolter, F.-E.; Peinecke, N. (2006). "Espectros de Laplace-Beltrami como ADN de forma de superficies y sólidos". Computer-Aided Design . 38 (4): 342– 366. doi : 10.1016/j.cad.2005.10.011 . S2CID 7566792 .
- ↑ Lian, Z.; et al. (2011). "Pista SHREC'11: recuperación de formas en mallas 3D estancas no rígidas". Actas del Taller Eurographics 2011 sobre Recuperación de Objetos 3D (3DOR'11) . págs. 79–88 . doi : 10.2312/3DOR/3DOR11/079-088 .
- ↑ Smeets, Dirk; Fabry, Thomas; Hermans, Jeroen; Vandermeulen, Dirk; Suetens, Paul (2009). "Modelado de deformación isométrica para el reconocimiento de objetos". Computer Analysis of Images and Patterns . Lecture Notes in Computer Science. Vol. 5702. pp. 757–765 . Bibcode : 2009LNCS.5702..757S . doi : 10.1007/978-3-642-03767-2_92 . ISBN 978-3-642-03766-5.
- ↑ Ye, J.; Yu, Y. (2015). "Una transformación rápida del espacio modal para la recuperación robusta de formas no rígidas". The Visual Computer . 32 (5): 553– 568. doi : 10.1007/s00371-015-1071-5 . hdl : 10722/215522 . S2CID 16707677 .
- ↑ Rustamov, RM (4 de julio de 2007). «Autofunciones de Laplace-Beltrami para la representación de formas invariantes a la deformación». Actas del quinto simposio de Eurographics sobre procesamiento geométrico . Asociación Eurographics. págs. 225-233 . ISBN 978-3-905673-46-3.
- ↑ Sun, J.; Ovsjanikov, M.; Guibas, L. (2009). "Una firma multiescala concisa y demostrablemente informativa basada en la difusión del calor". Computer Graphics Forum . Vol. 28. pp. 1383–92 . CiteSeerX 10.1.1.157.2592 . doi : 10.1111/j.1467-8659.2009.01515.x .
- ↑ Aubry, M.; Schlickewei, U.; Cremers, D. (2011). "La firma del núcleo de onda: un enfoque mecánico cuántico para el análisis de formas". Computer Vision Workshops (ICCV Workshops), 2011 IEEE International Conference on . pp. 1626– 1633. doi : 10.1109/ICCVW.2011.6130444 .
- ↑ Limberger, FA y Wilson, RC (2015). «Codificación de características de firmas espectrales para la recuperación de formas 3D no rígidas». Actas de la Conferencia Británica de Visión por Computadora (BMVC) . págs. 56.1 – 56.13 . doi : 10.5244/C.29.56 . ISBN 978-1-901725-53-7.
- ↑ Masoumi, Majid; Li, Chunyuan; Ben Hamza, A (2016). "Un enfoque de ondículas gráficas espectrales para la recuperación de formas 3D no rígidas". Pattern Recognition Letters . 83 : 339–48 . Bibcode : 2016PaReL..83..339M . doi : 10.1016/j.patrec.2016.04.009 .
- ↑ Umeyama, S (1988). "Un enfoque de descomposición en valores propios para problemas de emparejamiento de grafos ponderados". IEEE Transactions on Pattern Analysis and Machine Intelligence . 10 (5): 695– 703. doi : 10.1109/34.6778 .
- ↑ Scott, GL; Longuet-Higgins, HC (1991). "Un algoritmo para asociar las características de dos imágenes". Actas de la Royal Society de Londres. Serie B: Ciencias Biológicas . 244 (1309): 21– 26. Bibcode : 1991RSPSB.244...21S . doi : 10.1098/rspb.1991.0045 . PMID 1677192. S2CID 13011932 .
- ↑ Shapiro, LS; Brady, JM (1992). "Correspondencia basada en características: un enfoque de vector propio". Image and Vision Computing . 10 (5): 283– 8. doi : 10.1016/0262-8856(92)90043-3 .
- ↑ Lombaert, H; Grady, L; Polimeni, JR; Cheriet, F (2013). "FOCUSR: Correspondencia orientada a características mediante regularización espectral: un método para la coincidencia precisa de superficies" . IEEE Transactions on Pattern Analysis and Machine Intelligence . 35 (9): 2143– 2160. doi : 10.1109/tpami.2012.276 . PMC 3707975. PMID 23868776 .
- ↑ Lombaert, H; Grady, L; Pennec, X; Ayache, N; Cheriet, F (2014). "Spectral Log-Demons - Registro de imágenes difeomórficas con deformaciones muy grandes". International Journal of Computer Vision . 107 (3): 254– 271. CiteSeerX 10.1.1.649.9395 . doi : 10.1007/s11263-013-0681-5 . S2CID 3347129 .
- Procesamiento de imágenes
- Geometría digital
- Topología
- Geometría diferencial
