基于 Bowyer-Watson算法实现delaunay德劳内三角网络和Voronoi泰森多边形的建立附matlab代码

简介: 基于 Bowyer-Watson算法实现delaunay德劳内三角网络和Voronoi泰森多边形的建立附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

不规则三角网(Triangulated Irregular Network,TIN)在表示地形的形态方面具有较好的表现,其生成算法一直备受关注。讨论了三角网的数据结构的设计,采用逐点插入算法中的Bowyer-Watson算法思想为研究重点,设计并实现了该算法,对算法实验过程中可能出现的交叉现象进行分析,给出算法的改进。该改进算法已用于地形的可视化建模中,获得了较好的效果,对于三角剖分的相关研究具有一定的价值。

⛄ 代码

clc

clear

close all

%% Bowyer-Watson算法复现(逐点插入)

Pts = rand(20,2);

% save Pts.mat Pts

% load Pts.mat Pts

Pts0 = Pts;

% figure,plot(Pts(:,1),Pts(:,2),'b.')

%% 建立最小外接矩形

MBR = [min(Pts(:,1))-0.5,max(Pts(:,2))+0.5;...

   min(Pts(:,1))-0.5,min(Pts(:,2))-0.5;...

   max(Pts(:,1))+0.5,max(Pts(:,2))+0.5;...

   max(Pts(:,1))+0.5,min(Pts(:,2))-0.5];

Pts = [MBR;Pts];%在点集中添加MBR;

Del = [1,2,3;2,3,4];%建立辅助窗口

%% 逐点插入

for i = 5:size(Pts,1)

   flag = zeros(1,size(Del,1));%点的影响范围flag

   for j = 1:size(Del,1)

       if influence(i,Pts,Del(j,:))==true %判断点是否在三角形外接圆内

           flag(j)=1;

       end

   end

   flag = flag>0;

   a = Del(flag,:);

   Del = Del(~flag,:);

   a = a(:);

   convex = unique(a);% Delaunay腔

   % 按角度顺次连接凸包顶点,生成新三角形

   Del_new = newtriangle(convex,i,Pts);

   % 局部最优化

   for j = 2:size(Del_new,1)

       tri1 = Del_new(j-1,:);

       tri2 = Del_new(j,:);

       [~,center] = influence(i,Pts,tri1);

       pt = Pts(setdiff(tri2,tri1),:);

       pt1 = Pts(tri1(1),:);

       if norm(pt-center)<norm(pt1-center)

           ipt = intersect(tri1,tri2);

           Del_new(j-1,:) = [setdiff(tri2,tri1),setdiff(tri1,tri2),setdiff(ipt,i)];

           Del_new(j,:) = [setdiff(tri2,tri1),setdiff(tri1,tri2),i];

       end

   end

   tri1 = Del_new(end,:);

   tri2 = Del_new(1,:);

   ipt = intersect(tri1,tri2);

   if length(ipt)>1

       [~,center] = influence(i,Pts,tri1);

       pt = Pts(setdiff(tri2,tri1),:);

       pt1 = Pts(tri1(1),:);

       if norm(pt-center)<norm(pt1-center)

           Del_new(end,:) = [setdiff(tri2,tri1),setdiff(tri1,tri2),setdiff(ipt,i)];

           Del_new(1,:) = [setdiff(tri2,tri1),setdiff(tri1,tri2),i];

       end

   end

   

   

   Del = [Del;Del_new];

%     x = [Pts(Del(:,1),1),Pts(Del(:,2),1),Pts(Del(:,3),1),Pts(Del(:,1),1)];

%     y = [Pts(Del(:,1),2),Pts(Del(:,2),2),Pts(Del(:,3),2),Pts(Del(:,1),2)];

%     figure;

%     for ii = 1:size(x,1)

%         plot(x(ii,:),y(ii,:),'b-')

%         hold on

%     end

%     plot(Pts(:,1),Pts(:,2),'bo')

end

%% 删除辅助点

Del0 = Del;

Del(Del(:,1)<5,:)=[];

Del(Del(:,2)<5,:)=[];

Del(Del(:,3)<5,:)=[];

%% 绘制结果三角形

x = [Pts(Del(:,1),1),Pts(Del(:,2),1),Pts(Del(:,3),1),Pts(Del(:,1),1)];

y = [Pts(Del(:,1),2),Pts(Del(:,2),2),Pts(Del(:,3),2),Pts(Del(:,1),2)];

figure;

for i = 1:size(x,1)

   plot(x(i,:),y(i,:),'b-')

   hold on

end

plot(Pts0(:,1),Pts0(:,2),'bo')

title('三角化')


Pts1 = Pts(5:end,:);

tri = delaunay(Pts1(:,1),Pts1(:,2));

figure,triplot(tri,Pts1(:,1),Pts1(:,2));

title('与matlab内建delaunay函数结果做对比')


%% Voronoi图

Del = Del0;% 重新把MBR加上

center = zeros(size(Del,1),2);

Voronoi = [];

Voronoi2 = [];

for i = 1:size(Del,1)

   Del1 = Del(i,:);

   [~,center0] = influence(1,Pts,Del1);

   center(i,:) = center0;

end

for i = 1:size(Del,1)

   Del1 = Del(i,:);

   for j = 1:size(Del,1)

       if i==j

           continue

       end

       Del2 = Del(j,:);

       ipt = intersect(Del1,Del2);

       if length(ipt)>1

           Voronoi = [Voronoi;i,j];

       end

   end

end

% for i = 1:size(Del,1)

%     Del1 = Del(i,[1,2]);

%     flag = false;

%     for j = 1:size(Del,1)

%         if i==j

%             continue

%         end

%         Del2 = Del(j,:);

%         ipt = intersect(Del1,Del2);

%         if length(ipt)>1

%             Voronoi = [Voronoi;i,j];

%             flag = true;

%         end

%     end

%     if ~flag

%         Voronoi2 = [Voronoi2;Del(i,[1,2,3])];

%     end

%     Del1 = Del(i,[2,3]);

%     flag = false;

%     for j = 1:size(Del,1)

%         if i==j

%             continue

%         end

%         Del2 = Del(j,:);

%         ipt = intersect(Del1,Del2);

%         if length(ipt)>1

%             Voronoi = [Voronoi;i,j];

%             flag = true;

%         end

%     end

%     if ~flag

%         Voronoi2 = [Voronoi2;Del(i,[2,3,1])];

%     end

%     Del1 = Del(i,[1,3]);

%     flag = false;

%     for j = 1:size(Del,1)

%         if i==j

%             continue

%         end

%         Del2 = Del(j,:);

%         ipt = intersect(Del1,Del2);

%         if length(ipt)>1

%             Voronoi = [Voronoi;i,j];

%             flag = true;

%         end

%     end

%     if ~flag

%         Voronoi2 = [Voronoi2;Del(i,[1,3,2])];

%     end

%

% end

% pt1 = Pts(Voronoi2(:,1),:);

% pt2 = Pts(Voronoi2(:,2),:);

% pt0 = (pt1+pt2)/2;

% pt3 = Pts(Voronoi2(:,3),:);

% vot = pt1-pt2;

% vot = vot./sqrt(sum(vot.^2,2));

% vot = [-vot(:,2),vot(:,1)];

% vot0 = pt0-pt3;

% if sum(vot.*vot0)<0

%     vot = -vot;

% end

% pt1 = pt0+vot;%为凸包画垂线

% Voronoi2 = [pt1,pt0];

figure;


for i = 1:size(Voronoi,1)

   plot([center(Voronoi(i,1),1),center(Voronoi(i,2),1)],...

       [center(Voronoi(i,1),2),center(Voronoi(i,2),2)],'b-');

   hold on

end

plot(Pts0(:,1),Pts0(:,2),'bo')

% for i = 1:size(pt1,1)

%     plot([pt1(i,1),pt0(i,1)],[pt1(i,2),pt2(i,2)],'b-')

%     hold on

% end

axis([min(Pts0(:,1)),max(Pts0(:,1)),min(Pts0(:,2)),max(Pts0(:,2))]);

axis equal

title('泰森多边形')


%% 判断插入点是否在一个三角形的外接圆内

function [flag,center] = influence(i,Pts,Del)

Del = Pts(Del,:);

pt = Pts(i,:);

pt1 = Del(1,:);

pt2 = Del(2,:);

pt3 = Del(3,:);

% [a1,b1;a2,b2]*[x;y]=[c1;c2] 外心计算公式

a1 = 2*(pt2(1)-pt1(1));

b1 = 2*(pt2(2)-pt1(2));

c1 = pt2(1).^2+pt2(2).^2-pt1(1).^2-pt1(2).^2;

a2 = 2*(pt3(1)-pt2(1));

b2 = 2*(pt3(2)-pt2(2));

c2 = pt3(1).^2+pt3(2).^2-pt2(1).^2-pt2(2).^2;

center = [a1,b1;a2,b2]\[c1;c2];

center = transpose(center);

% x = (c1*b2-c2*b1)/(a1*b2-a2*b1);

% y = (a1*c2-a2*c1)/(a1*b2-a2*b1);

% center = [x,y];

flag = norm(pt-center)<norm(pt1-center);

end

%% 按角度排排坐,分果果

function Del_new = newtriangle(convex,i,Pts)

pt = Pts(i,:);

convex0 = convex;

convex = Pts(convex,:)-repmat(pt,length(convex0),1);

convex = convex./repmat(sqrt(sum(convex.^2,2)),1,2);

theta = acos(convex(:,2));

theta(convex(:,1)<0)=2*pi-theta(convex(:,1)<0);

[~,I]=sort(theta);

Del_new = zeros(0,3);

for j = 2:length(I)

   Del_new = [Del_new;i,convex0(I(j-1)),convex0(I(j))];

end

Del_new = [Del_new;i,convex0(I(1)),convex0(I(end))];

end

 

⛄ 运行结果

⛄ 参考文献

[1]  Chrisochoides N ,  Sukup F . Task parallel implementation of the Bowyer-Watson algorithm[J]. mississippi state univ mississippi state ms, 1999.

[2] 成俊燕. 基于单张图片的服装建模相关算法研究[D]. 浙江大学.

[3] 李景焕. 基于Bowyer-Watson法的Delaunay三角网格的一些改进[J]. 天津商学院学报, 2007, 27(3):33-37.

[4] 周雪梅, 黎应飞. 基于Bowyer-Watson三角网生成算法的研究[J]. 计算机工程与应用, 2013, 49(6):198-200.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
11天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
12天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
6天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
29 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
13天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
12天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
12天前
|
机器学习/深度学习 算法 5G
基于MIMO系统的SDR-AltMin混合预编码算法matlab性能仿真
基于MIMO系统的SDR-AltMin混合预编码算法通过结合半定松弛和交替最小化技术,优化大规模MIMO系统的预编码矩阵,提高信号质量。Matlab 2022a仿真结果显示,该算法能有效提升系统性能并降低计算复杂度。核心程序包括预编码和接收矩阵的设计,以及不同信噪比下的性能评估。
31 3
|
23天前
|
人工智能 算法 数据安全/隐私保护
基于遗传优化的SVD水印嵌入提取算法matlab仿真
该算法基于遗传优化的SVD水印嵌入与提取技术,通过遗传算法优化水印嵌入参数,提高水印的鲁棒性和隐蔽性。在MATLAB2022a环境下测试,展示了优化前后的性能对比及不同干扰下的水印提取效果。核心程序实现了SVD分解、遗传算法流程及其参数优化,有效提升了水印技术的应用价值。
|
22天前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
67 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
24天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-LSTM网络的数据分类识别算法matlab仿真
本项目展示了基于贝叶斯优化(BO)的CNN-LSTM网络在数据分类中的应用。通过MATLAB 2022a实现,优化前后效果对比明显。核心代码附带中文注释和操作视频,涵盖BO、CNN、LSTM理论,特别是BO优化CNN-LSTM网络的batchsize和学习率,显著提升模型性能。
|
17天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA-PSO-SVM算法的混沌背景下微弱信号检测matlab仿真
本项目基于MATLAB 2022a,展示了SVM、PSO、GA-PSO-SVM在混沌背景下微弱信号检测中的性能对比。核心程序包含详细中文注释和操作步骤视频。GA-PSO-SVM算法通过遗传算法和粒子群优化算法优化SVM参数,提高信号检测的准确性和鲁棒性,尤其适用于低信噪比环境。

热门文章

最新文章