给定点列表obstacles
(作为行,列
矩阵坐标的列表,形状为(n,2)的ndarray
),返回一个大小为 size
的映射(其中 size
是二维 NumPy 数组的形状),其中 r, c
的值是到最近的“障碍物”的欧氏距离。
def gen_distgrid(size, obstacles):
n_obstacles = obstacles.shape[0]
distgrids = np.zeros((n_obstacles + 4, size[0], size[1]))
for layer in range(n_obstacles):
for i in range(size[0]):
for j in range(size[1]):
distgrids[layer, i, j] = np.linalg.norm(obstacles[layer,:] - [i,j])
for i in range(size[0]):
for j in range(size[1]):
distgrids[n_obstacles + 0, i, j] = i
distgrids[n_obstacles + 1, i, j] = (size[0] - i)
distgrids[n_obstacles + 2, i, j] = j
distgrids[n_obstacles + 3, i, j] = (size[1] - j)
distgrid = np.min(distgrids, axis=0)
return distgrid
我的方法真的很慢,我觉得应该有更好的方法。
最佳答案
Here是使用 Numpy 和 SciPy 的 KD 树解决类似问题的方法。只需将您的障碍物插入 KD 树并查询树中的每个网格点以获得其最近的邻居。
关于python - 计算到多个点的最小距离的 map ,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31899270/