这被称为差分坐标系, 最常见的应用就是二维上的泊松图像融合....这篇文章中就通过优化来解决了拉普拉斯坐标的旋转和缩放不变性
首先基本的拉普拉斯坐标的定义如下公式, 下面这个式子有多种不同的权重表示, 文中所采用的是最最基础的直接平均权重(1/di):
?...这样表示的好处就是能够让绝对坐标以一种平移不变性的相对坐标表示出来
指导了一个顶点如何生成拉普拉斯坐标后, 假如我们现在有一整个网格面那么多的顶点, 最好的处理方法就是采用矩阵....我们可以采用下面常用的最小二乘法来求解这个线性方程组, 但是在第一次计算的时候我们没有bi的具体信息, 此时我们可以采用常见的迭代求解法, 假定bi为任意一个坐标向量例如最简单的处理方式是选择全1向量处理..., 然后对此求解出一个有误差的旋转矩阵Ti, 进行后续计算得到真正的变换顶点v后再迭代求解Ti, 实践中第一次求解尽管有较大误差但是结果已经可以初见雏形, 后续再经过不超过十次的迭代就可以非常精准:
?