梯度,散度,拉普拉斯算子
综述 说到mesh上的处理技巧,拉普拉斯绝对是关键的一环,比如surface smoothing, parameterization and shape modeling等等都是十分重要的。 人们常说的是,拉普拉斯算子其实就是梯度的散度。 写在前面 首先给出:纯量(标量),矢量 标量(scalar),亦称“无向量”。有些物理量,只具有数值大小,而没有方向,部分有正负之分。物理学中,标量(或作 纯量 )指在坐标变换下保持不变的物理量。用通俗的说法,标量是只有大小,没有方向的量。 矢量(vector)是一种既有大小又有方向的量,又称为向量。 一般来说,在物理学中称作矢量,例如速度、加速度、力等等就是这样的量。 梯度 标量 -> 矢量 想象一座山,山的每一个点上都得到一个向量(事实上在三维中,你可以随意的定义方向向量),假设我们现在的向量指向每个点变化最陡的那个方向,而向量的大小(模)则代表了这个最陡的方向到底有多陡。梯度,众所周知,是一个向量。 散度 矢量 -> 标量 散度的作用对象是向量场,如果现在我们考虑任何一个点(或者说这个点的周围 极小的一块区域 ),在这个点上,向量场的发散程度,如果是正的,代表这些向量场是往外散出的。如果是负的,代表这些向量场是往内集中的。 思考一个点电荷激发的电场,任意选取一个单位体积,若是单位体积不包含该电荷,那么毫无疑问