我试图在由任意数量的点组成的多边形边界上随机采样点。多边形由一组 x,y 坐标组成。我想保留多边形的原始顶点并添加随机采样点,并尽可能保留多边形的形状。如本例所示,给定一个原始多边形(蓝色顶点,左侧),我想要一个随机采样的多边形,其中 N=25 个点沿原始多边形的边界(红色顶点,右侧)。
下面的代码是我尝试使用样条插值来执行此操作,但插值的结果最终会显着扭曲多边形的形状(使其更圆),尤其是当多边形的顶点数量较少时首先。
def single_parametric_interpolate(obj_x_loc,obj_y_loc,numPts=50):
'''
Interpolate a single given bounding box obj_x_loc,obj_y_loc
return a new set of coordinates interpolated on numPts
'''
tck, u =splprep(np.array([obj_x_loc,obj_y_loc]),s=0,per=1)
u_new = np.linspace(u.min(),u.max(),numPts)
new_points = splev(u_new, tck,der=0)
return new_points
有没有更好的方法来进行这种类型的采样,而不会扭曲多边形的最终形状?
最佳答案
您可以计算多边形的周长 p
(计算边长)。选择一个角,在 [0,p[
中获取一个随机数 r
然后沿着周边“走”这个长度 r
例如逆时针方向并在此处放置一个点。
def single_parametric_interpolate(obj_x_loc,obj_y_loc,numPts=50):
n = len(obj_x_loc)
vi = [[obj_x_loc[(i+1)%n] - obj_x_loc[i],
obj_y_loc[(i+1)%n] - obj_y_loc[i]] for i in range(n)]
si = [np.linalg.norm(v) for v in vi]
di = np.linspace(0, sum(si), numPts, endpoint=False)
new_points = []
for d in di:
for i,s in enumerate(si):
if d>s: d -= s
else: break
l = d/s
new_points.append([obj_x_loc[i] + l*vi[i][0],
obj_y_loc[i] + l*vi[i][1]])
return new_points
关于python - 沿多边形边界随机采样点,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42023522/