标签: voronoi

我花了很多时间试图从scipy.spatial.Voronoi图中获取边缘无济于事.以下是主要文档:http: //docs.scipy.org/doc/scipy-dev/reference/generated/scipy.spatial.Voronoi.html

如果你像这样创建一个Voronoi图:

points = np.array([[0, 0], [0, 1], [0, 2], [1, 0], [1, 1], [1, 2],
[2, 0], [2, 1], [2, 2]]) //Or feel free to use any set of points

然后您可以访问以下对象属性:

vor.regions
vor.max_bound
vor.ndim
vor.ridge_dict
vor.ridge_points
vor.ridge_vertices
vor.npoints
vor.point_region
vor.points

但目前还不清楚如何组合这些以获得2d voronoi图形式(point1,point2)的边缘？我知道边缘存在是因为您可以绘制voronoi图及其edgres和顶点,因为您可以执行以下操作:

voronoi_plot_2d(vor)
plt.show()

这清楚地描绘了voronoi edgres - 如何获得它们的列表及其起点和终点？没关系,如果我只获得坚实的边缘(不是虚线的那些无限制的情节)

我正在尝试用2D中的曼哈顿距离计算Voronoi tesselation R.

理想情况下,这将是一个函数,它采用一组二维点并输出一个分隔空间的多边形列表.我不确定Voronoi tesselations的标志是什么.

当然也有很多方法可以做到这与欧几里德度量(包像deldir和qhull使这很容易),但我还没有找到一种方法,为曼哈顿距离做到这一点.使用sos's 的搜索findFn('voronoi')也没有产生任何结果.

我正在使用scipy.spatialVoronoi 图的可视化。然而，这里使用的距离度量是欧几里德（L2）。我正在寻找一种在我的 Voronoi 图上进行曼哈顿 (L1) 度量的方法。有没有一种简单的（或多或少）方法可以做到这一点？

import numpy as np
import matplotlib.pyplot as plt

points = np.array([[1.5, 1.], [3.5, 1.], [5., 2.], [2.5, 3.], [3.5, 1.], [4., 4.]])
    
from scipy.spatial import Voronoi, voronoi_plot_2d
vor = Voronoi(points)

fig = plt.figure()
ax = fig.add_subplot('111')
ax.plot(points[:, 0], points[:, 1], 'o', color='k')
ax.set_xlim([-1, 9])
ax.set_ylim([-1, 9])
voronoi_plot_2d(vor, ax)

基本上我想要得到类似的东西，但采用 L1 度量。

我发现scipy.spatial.distance.cityblock可以处理感兴趣的指标，但不完全确定如何实现它才能正常工作？

我正在尝试创建一些艺术“情节”，如下所示：

区域的颜色并不重要，我想要实现的是沿着 Voronoi 区域的边缘的可变“厚度”（特别是，它们看起来像一个更大的圆形斑点，在拐角处相交，在拐角处相交处更薄）他们的中间点）。

我尝试根据到每个质心的最小距离“手动绘制”每个像素（每个像素与一种颜色相关联）：

n_centroids = 10
centroids = [(random.randint(0, h), random.randint(0, w)) for _ in range(n_centroids)]
colors = np.array([np.random.choice(range(256), size=3) for _ in range(n_centroids)]) / 255

for x, y in it.product(range(h), range(w)):
    distances = np.sqrt([(x - c[0])**2 + (y - c[1])**2 for c in centroids])
    centroid_i = np.argmin(distances)
    img[x, y] = colors[centroid_i]
    
plt.imshow(img, cmap='gray')

或者通过scipy.spatial.Voronoi，这也给了我顶点，尽管我仍然不知道如何以所需的可变厚度通过它们画一条线。

from scipy.spatial import Voronoi, voronoi_plot_2d

# make up data points
points = [(random.randint(0, 10), random.randint(0, 10)) for _ in range(10)]

# …

如何使用 Qhull 确定哪些 voronoi 单元（按索引）是“正确的”（由“现有顶点”组成）

我正在尝试使用 LLoyds 算法和由 scipy.spatial Voronoi（它是 Qhull 的包装器）生成的输入来执行约束松弛。

在代码方面，它看起来像：

points = [n  for n in itertools.product(xrange(3),xrange(3))]
vor = Voronoi(points)

vor2 = lloyd(vor) # my relaxation function  - not relevant to the question

代码生成的输出图看起来不错（见下文），但 vor 结构中的数据不足以执行劳埃德松弛。这是因为我应该只移动有效 voronoi 单元格内的点（图像中的 #4）。另一个应该保持原样。Qhull 弄乱了点/区域的顺序，所以我无法估计哪个区域属于哪个点。

这是问题的说明：

print vor.vertices
#[[ 0.5  0.5]
# [ 1.5  0.5]
# [ 0.5  1.5]
# [ 1.5  1.5]]

print vor.regions  
# [[], [-1, 0], [-1, 1], [1, -1, 0], [3, -1, 2], [-1, 3], [-1, 2], [3, …

我正在尝试使用 scipy 的 Voronoi 镶嵌

http://docs.scipy.org/doc/scipy-dev/reference/generated/scipy.spatial.Voronoi.html

但python不会导入它

from scipy.spatial import Voronoi
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ImportError: cannot import name Voronoi

但是，我从 scipy.spatial 导入其他类没有问题

from scipy.spatial import Delaunay

我正在使用Fortune算法的Javascript实现来计算voronoi单元格(https://github.com/gorhill/Javascript-Voronoi).我要计算的网站是地图上的点(所以(lat,lng)).我首先做了投影(lat,lng) -> (x,y),然后我计算了voronoi单元格,并以另一种方式进行了半边投影.
它工作正常,我使用传单显示结果,但我需要做一件事.

我最初计算的每个站点都取决于ID,我按ID重新分类voronoi单元格,最后,对于每个具有标准数据结构的ID,如下所示:

{
  "type": "FeatureCollection",
  "features": [
    {
      "type": "Feature",
      "geometry": {
        "type": "Polygon",
        "coordinates": [[
          [9.994812, 53.549487],
          [10.046997, 53.598209],
          [10.117721, 53.531737],
          [9.994812, 53.549487]
        ]]
      }
    }, {
      "type": "Feature",
      "geometry": {
        "type": "Polygon",
        "coordinates": [[
          [10.000991, 53.50418],
          [10.03807, 53.562539],
          [9.926834, 53.551731],
          [10.000991, 53.50418]
        ]]
      }
    }
  ]
};

给定ID的一组多边形(由voronoi单元格的一半边缘构成).

我需要通过ID合并这些多边形,我打算使用turf.merge(),但我有拓扑错误

 turf.min.js:13 Uncaught TopologyError: side location conflict

根据这篇文章(http://lists.refractions.net/pipermail/jts-devel/2009-March/002939.html),我试图将(lat,lng)这对夫妇从10 ^ -14 圈到10 ^ -7但是它没有真正奏效.在寻找扭结并尝试删除它们之前,我打印了一些数据样本,我知道问自己是否使用了Fortune算法中的好数据.当我显示所有ID的所有多边形时,我有正确的图表,但是当我显示一个ID的所有多边形或一个ID的一些多边形时,我最终会得到不完整的图表:

完整图表的一部分

一个ID的部分图表 …

我有两组点，plot它们分别是蓝星和红点。然后我plot用voronoi(X,Y)函数的两个集合的 Voronoi 图。我想指定每个单元格的颜色取决于它的站点属于哪个集合。我几乎通过patch这种方式使用函数来完成这个：

     [v,c]=voronoin(D);
     for p=1:TheNumberOfSets
       r=rand()/2+0.5;    % random gray color
       col=[r r r];
       for s=1:PointsInSet(p)
           l=l+1;
           patch(v(c{l},1),v(c{l},2),col);  % color
           axis([0 10 0 10]);
       end
     end

D集合点的坐标在哪里，TheNumberOfSets显示我们有多少个集合（在这个特定的部分我们只有 2 个集合），col指定一个随机的灰色，PointsInSet指定我们在每个集合中有多少个点，l用于枚举Voronoi 图的单元格。

这是结果：

现在我的问题（如你所见！）是关于无界细胞。此代码只是更改有界单元格的颜色，我想在轴框范围内（即您可以在图像中看到的框）使用其指定集的颜色为无界单元格着色。

有什么建议吗？

所以我使用了 voronoi_plot_2d() 函数，它是 SciPy 的一部分，当我绘制我的图表时，我得到了下面的图表，其中一些在集群之间有实心边界，有些有虚线边界。（隐藏每个聚类的散点图）

它们背后有不同的含义吗？如果它们是同一件事，例如，我如何指定我只想绘制实心边框？文档（http://scipy.github.io/devdocs/generated/scipy.spatial.voronoi_plot_2d.html）没有提及任何内容。

另外，我收到以下警告

MatplotlibDeprecationWarning: The ishold function was deprecated in version 2.0.
MatplotlibDeprecationWarning: axes.hold is deprecated.

当我使用 voronoi_plot_2d() 函数时。我正在运行 Python 3.5，有没有办法让警告消失？我在我的代码中既没有使用 ishold 函数也没有使用axes.hold，所以警告一定来自 voronoi_plot_2d() 内部。

我使用voronoinMATLAB来判断单元格之间的连接，我想把这个函数转换成Python。

当我使用scipy.spatial.VoronoiPython 时，输出有点不同。例如，我对 MATLAB 和 Python 使用了相同的输入，您可以在下一个代码中看到。

MATLAB：

seed = [ 17.746    -0.37283   -0.75523;
         6.1704     1.3404     7.0341;
        -7.7211     5.4282     4.5016;
         5.8014     2.1252    -6.2491;
       -16.047     -2.8472    -0.024795;
        -2.2967    -6.7334     0.60707]
[vvern_mat, vceln_mat] = voronoin(seed);

Python：

import numpy as np
from scipy.spatial import Voronoi
seed = np.array([[ 17.746   ,  -0.37283 ,  -0.75523 ],
       [  6.1704  ,   1.3404  ,   7.0341  ],
       [ -7.7211  ,   5.4282  ,   4.5016  ],
       [  5.8014  ,   2.1252  ,  -6.2491  ],
       [-16.047   ,  -2.8472  , …