如何用libigl与Eigen比较两个网格的节点和面相似度？

一、节点相似度计算 #

网格节点的相似度核心是对应点的空间距离统计，但首先需要解决两个网格的对齐问题（平移/旋转会导致距离无意义）：

1. 网格对齐（ICP算法） #

用libigl内置的ICP实现快速对齐，将第二个网格变换到第一个网格的坐标系：

#include <igl/ICP.h>
#include <Eigen/Core>

// V1、V2为两个网格的顶点矩阵（Eigen::MatrixXd），F1、F2为面矩阵（Eigen::MatrixXi）
Eigen::MatrixXd V2_aligned;
Eigen::MatrixXd R, t; // 旋转矩阵和平移向量
igl::ICP_data icp_data;
igl::ICP(V1, F1, V2, F2, icp_data, V2_aligned, R, t);

2. 节点距离统计 #

对齐后分两种场景计算距离统计：

• 同拓扑网格：直接逐点计算L2距离，统计均值、方差、最大距离

Eigen::VectorXd dists = (V1 - V2_aligned).rowwise().norm();
double mean_dist = dists.mean();
double var_dist = dists.array().square().mean() - mean_dist*mean_dist;
double max_dist = dists.maxCoeff();

• 异拓扑网格：用libigl的最近邻查找，为第一个网格的每个点匹配第二个网格的最近点，再计算距离统计

#include <igl/point_mesh_squared_distance.h>

Eigen::VectorXd sq_dists;
Eigen::VectorXi indices;
Eigen::MatrixXd closest_points;
igl::point_mesh_squared_distance(V1, V2_aligned, F2, sq_dists, indices, closest_points);
Eigen::VectorXd dists = sq_dists.array().sqrt();
// 同上述方式计算均值、方差、最大距离

二、面相似度计算 #

面的相似度分为几何特征相似度和拓扑结构相似度两类：

1. 几何特征相似度 #

针对每个面计算法向量、面积、中心坐标等特征，再做对比统计：

• 计算面法向量：

#include <igl/per_face_normals.h>

Eigen::MatrixXd N1, N2;
igl::per_face_normals(V1, F1, N1);
igl::per_face_normals(V2_aligned, F2, N2);

• 法向量相似度：计算对应面法向量的点积（余弦相似度），统计均值

// 同拓扑网格直接逐面计算
Eigen::VectorXd normal_sim = (N1.array() * N2.array()).rowwise().sum();
double mean_normal_sim = normal_sim.mean();
// 异拓扑网格可先通过面中心最近邻匹配，再计算对应法向量相似度

• 面面积相似度：计算面积比值的统计量

#include <igl/doublearea.h>

Eigen::VectorXd A1, A2;
igl::doublearea(V1, F1, A1); A1 /= 2.0;
igl::doublearea(V2_aligned, F2, A2); A2 /= 2.0;
Eigen::VectorXd area_ratio = A1.array() / A2.array();
// 统计比值的均值、方差

2. 拓扑结构相似度 #

如果需要对比网格的连接关系，可通过以下方式：

• 计算顶点邻接矩阵，对比邻接关系的重合度：

#include <igl/adjacency_matrix.h>

Eigen::SparseMatrix<int> Adj1, Adj2;
igl::adjacency_matrix(F1, Adj1);
igl::adjacency_matrix(F2, Adj2);
// 若顶点数相同，计算两个邻接矩阵的边重合比例
int common_edges = (Adj1.cwiseProduct(Adj2)).nonZeros();
int total_edges = (Adj1.nonZeros() + Adj2.nonZeros())/2; // 无向图边数为非零元素数/2
double edge_overlap_ratio = (double)common_edges / total_edges;

• 异拓扑网格整体相似度：用libigl计算豪斯多夫距离，衡量全局几何差异

#include <igl/hausdorff.h>

double hausdorff_dist = igl::hausdorff(V1, F1, V2_aligned, F2);

三、相关论文推荐 #

1. 全局网格相似性 #

• Mesh Similarity Matching via Shape Contexts：提出基于形状上下文的网格匹配方法，适合全局几何相似度评估
• Hausdorff Distance for Triangle Meshes：系统阐述网格间豪斯多夫距离的计算优化，是几何相似度的经典指标

2. 局部特征与拓扑匹配 #

• Topology-Aware Mesh Similarity：结合几何特征与拓扑结构的相似度计算方法，解决异拓扑网格的对比问题
• Learning Mesh Similarity with Geometric Transformers：基于深度学习的网格相似度模型，适合复杂场景的高精度对比

3. 实用算法实现 #

• Efficient ICP for 3D Mesh Alignment：详细讲解ICP算法的优化实现，是网格对齐的核心参考

内容的提问来源于stack exchange，提问作者sultan aljabri