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
|
2天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
105 80
|
21天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
7天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
15天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
23天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
15天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
20天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
20天前
|
算法
通过matlab对比遗传算法优化前后染色体的变化情况
该程序使用MATLAB2022A实现遗传算法优化染色体的过程,通过迭代选择、交叉和变异操作,提高染色体适应度,优化解的质量,同时保持种群多样性,避免局部最优。代码展示了算法的核心流程,包括适应度计算、选择、交叉、变异等步骤,并通过图表直观展示了优化前后染色体的变化情况。
|
18天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
1天前
|
算法
基于EO平衡优化器算法的目标函数最优值求解matlab仿真
本程序基于进化优化(EO)中的平衡优化器算法,在MATLAB2022A上实现九个测试函数的最优值求解及优化收敛曲线仿真。平衡优化器通过模拟生态系统平衡机制,动态调整搜索参数,确保种群多样性与收敛性的平衡,高效搜索全局或近全局最优解。程序核心为平衡优化算法,结合粒子群优化思想,引入动态调整策略,促进快速探索与有效利用解空间。