CG-windowing query

More Geometric Data Structures-windowing query

（更多几何数据结构:截窗）

CG系列文章

---

CG-Introduction
CG-Voronoi Diagrams
CG-Line Segment Intersection
CG-Polygon Triangulation
CG-Delaunay Triangulations
CG-Orthogonal Range Searching
CG-windowing query

---

给定一个矩形区域⎯⎯称为截窗(window)⎯⎯系统必须能够确定，地图中的那些部分(公路、 城市等)落在截窗内部，并显示这些内容。这个过程，称为截窗查询(windowing query)。

窗口查询类似于第5章中研究的范围查询
二者的区别：

• 1）范围查询的数据是点，而窗口查询的数据通常是线段，多边形，曲线等。
• 2）对于范围查询，我们经常处理更高维度的搜索空间，而对于窗口查询，搜索空间通常是2维或3维。

10.1 Interval Trees（区间树）

printed circuit board （印刷电路板）是一个典型的例子

假设：
查询窗口是轴平行的矩形，即边缘是轴平行的矩形。

设S为一组共n条与坐标轴平行的线段。为了解答截窗查询，需要使用一种数据结构来存放S， 使得对于任何给定的查询窗口W := [x : x’] × [y : y’]，与W相交的所有线段总可以有效地被报告出来。

分为以下情况：

• 线段可能完全落在W内部，
• 可能与 W的边界有一个交点，
• 也可能有两个交点，
• 也可能与W的边界(部分)叠合(即有无数个交点)

Lemma 10.1

Let S be a set of n axis-parallel line segments in the plane. The segments that have at least one endpoint inside an axis-parallel query window W can be reported in O(log n + k) time with a data structure that uses O(n log n) storage and preprocessing time, where k is the number of reported segments.

设 S 为平面上一组共 n 条与坐标轴平行的线段。对于任一与坐标轴平行的查询窗口，我们都可在 O(logn + k)时间内，将至少有一个端点落在该查询窗口内的所有线段报告出来;为此，需要使用一个 占用 O(nlogn)空间的数据结构，其预处理时间为 O(nlogn)。其中，k 为实际被报告出来的线段条数。

仍然需要查找在查询窗口内没有端点的段。 这些段要么跨越W的边界两次，要么包含边界的一个边缘。(图下图)

与查询窗口相交、两个端点都落在查询窗口之外的线段

问题：
预处理平面中的一组水平线段，以便可以有效地报告与垂直查询段相交的段。

Let :l= (x = qx) denote the query line. A horizontal segment s := (x,y)(x’,y) is intersected by l if and only if x <= qx <= x’.
l是查询线 s是水平线段，x是左端点横坐标，x’是右端点横坐标。则s与l相交当且仅当 x <= qx <= x’。

设 I := {[x1 : x1’ ], [x2 : x2’ ], …, [xn : xn’ ]}为实轴上的一组闭合区间。
令 xmid 为这 2n 个区间端点的中值(median)。
在该树的右子树中存放的，是由完全落在 xmid 右边的区间所组成的一个集 合 Iright;
在左子树中存放的，是由完全落在 xmid 左边的区间所组成的一个集合 Ileft。
对左、右两棵子 树，按照同样的方法进行递归构造。
对于由包含xmid的区间所组成的集合Imid，我们将其单独存储为另一个结构，并将该结构指 定给树的根节点。

根据xmid，对所有线段进行分类

qx 落在区间[xj : xj’] ∈ Imid 内，当且仅当 xj ≤ qx。

Data structure of interval tree

其中的垂直虚线，分别表示各节点所对应的xmid值

• 若 I = ∅，则区间树为一匹叶子。
• 否则，取xmid为所有区间端点的中值。令
  • Ileft := {[xj :xj’]∈I|xj’ <xmid}
  • Imid := {[xj :xj’]∈I|xj ≤xmid ≤xj’}
  • Iright:= {[xj : xj’] ∈ I | xmid < xj}
  • 其对应的区间树的根节点为 v，xmid 就存放在 v 处。此外，
  • 集合 Imid 被存储了两遍⎯⎯一次存放在按照各区间左端点排序的列表 Lleft(v)中，另一次存放在按照各区间右端点排序的列表 Lright(v)中;
  • v的左子树为与子集Ileft对应的一棵区间树;
  • v的右子树为与子集Iright对应的一棵区间树。

Lemma 10.2

An interval tree on a set of n intervals uses O(n) storage and has
depth O(logn).

任意 n 个区间所对应的区间树，占用 O(n)空间，深度为 O(logn)。

Algorithm CONSTRUCTINTERVALTREE(I)

递归构造区间树的算法


计算出 Imid，根据 Imid 构造出两个有序表: 所有左端点的有序表 Lleft(v) 所有右端点的有序表 Lright(v)
并将这两个列表存入 v 中

Lemma 10.3

An interval tree on a set of n intervals can be built in O(n log n) time.

一组共 n 个区间所对应的区间树，可以在 O(nlogn)时间内构造出来。

Algorithm QUERYINTERVALTREE(ν,qx)

借助区间树，找出包含 qx 的所有区间

**输入:**以 v 为根节点的一棵区间树，以及一个待查询点 qx
**输出:**包含 qx 的所有区间
当qx < xmid(v)时，遍历 Lleft(v)，从其中最左侧端点所属的区间开始，逐一报告出包含 qx 的各区间 一旦到达不包含 qx 的(第)一个区间，即终止遍历。
否则，遍历列表 Lright(v): 从其中最右侧端点所属的区间开始，逐一报告出包含 qx 的各区间 一旦到达不包含 qx 的(第)一个区间，即终止遍历。 （这也是Lright要从右端开始排序的原因）

Theorem 10.4

An interval tree for a set I of n intervals uses O(n) storage and can be built in O(n log n) time. Using the interval tree we can report all intervals that contain a query point in O(log n + k) time, where k is the number of reported intervals.

给定一组共 n 个区间 I，其对应的区间树占用 O(n)空间，而且能够在 O(nlogn)时间内构造出来。对于 任一待查询点，都可以借助区间树，在 O(logn + k)时间内将包含该点的所有区间报告出来，其中 k 为实际被报告出来的区间数目。

---

推广： 垂直线段的查询
令SH ⊆ S为S中所有水平线段组成的子集，设q为一条垂直的待查询线段qx × [qy : qy’ ]。
对于SH中的任何一条线段s := [sx : sx’ ] × sy，我们将[sx : sx’ ]称为该线段的x-区间(x-interval)。

针对垂直线段的查询
增加了一个必要条件：s的y-坐标必须落在[qy : qy’ ]之间。

与q相交的每一条线段，其左端点必然落在阴影区域内

对于任一待查询区域(-∞ : qx’ ] × [qy : qy’ ]，我们都能利用这一结构，将左端点落在该区域中的所有线段 报告出来。
反之，若q落在xmid的右侧，也应该能够将其右端点落在区域[qx : +∞) × [qy : qy’ ]中的所有
线段报告出来

向窗口查询转化

还需要一种关联结构，即利用第 5 章所介绍的二维区域树结构。
按照这种方法，关联结构将占用O(nmidlognmid) 的存储空间，其中nmid := card(Imid)，而对应的查询时间则为O(lognmid + k)。

在每个节点 v 处，我们存放的不再是两个有序表 Lleft(v)和 Lright(v)，而是如下的两棵区 域树:前一棵区域树 Tleft(v)存放的是 Imid(v)中所有线段的左端点;后一棵区域树 Tright(v)存放的是 Imid(v) 中所有线段的右端点。

现在的查询算法与 QUERYINTERVALTREE 基本相同，
二者只有一点差别：
不再是对有 序表 Lleft(v)进行遍历(traversal)，而是对区域树 Tleft(v)进行查询。

Theorem 10.5

Let S be a set of n horizontal segments in the plane. The segments intersecting a vertical query segment can be reported in O(log2 n + k) time with a data structure that uses O(n log n) storage, where k is the number of reported segments. The structure can be built in O(nlogn) time.

设 S 为平面上的一组共 n 条水平线段。对于任一垂直待查询线段(query segment)，我们都可在 O(log2n + k)时间内，将 S 中与该线段相交的所有线段报告出来，其中 k 为实际被报告出来的线段条数;为 此需要借助一个数据结构，该结构占用 O(nlogn)空间，并可在 O(nlogn)时间内被构造出来。

(又是一个用空间换时间的典型例子)

Corollary 10.6

Let S be a set of n axis-parallel segments in the plane. The segments intersecting an axis-parallel rectangular query window can be reported in O(log2 n + k) time with a data structure that uses O(n log n) storage, where k is the number of reported segments. The structure can be built in O(n log n) time.

设 S 为平面上一组共 n 条与坐标轴平行的线段。对于任一与坐标轴平行的矩形查询窗口，我们都可 在 O(log2n + k)时间内，将 S 中与该截窗相交的所有线段报告出来，其中 k 为实际被报告出来的线段 条数;为此需要借助一个数据结构，该结构占用 O(nlogn)空间，并可在 O(nlogn)时间内被构造出来。

10.2 Priority Search Trees

设P := {p1, …, pn}为平面上的一组点。我们希望设计出一种结构，来求解形如(-∞ : qx] × [qy : qy’ ] 的矩形查询。

集合{1, 3, 4, 8, 11, 15, 21, 22, 36}对应的一个堆

堆的树形结构还有另一个优点:它可以使得对 y-坐标的集成更加容易。

得益于堆的灵活性，每个集合都可以任意地划分为两个子集。
如果还希望对y-坐标进行查找， 就可以采用一个技巧⎯⎯在划分子集的时候，不是像普通的堆那样随意进行划分，而是根据y-坐标 来进行划分。

在该图中，树被画成了朝向侧面的，其目的是为了说明此处的划分是按照y-坐标 进行的。
点p5 的x-坐标最小，所以存放在根节点中。其余的(五个)点按照 y-坐标一分为二。其中，点p3、p4 和p6 的y-坐标更小，所以归入左子树。在这三个点中，p3 的x-坐标 最小，于是该点就存放在左子树的根节点处。依此类推。

Definition of priority search tree

• 若 P = ∅，则对应的优先查找树为一匹空的叶子。
• 否则，设pmin为集合P中x-坐标最小的那个点。
• 令ymid为其余诸点y-坐标的中值。
  • 取 Pbelow := {p ∈ P{pmin} | py < ymid}
  • 取Pabove := {p ∈ P{pmin} | py > ymid}
• 对应的优先查找树的根节点为 v，其中存放了点 p(v) := pmin，以及数值 y(v) := ymid。
• 此外， v的左子树为对应于集合Pbelow的一棵优先查找树;
• v的右子树为对应于集合Pabove的一棵优先查找树。

对一棵优先查找树进行查询

Query algorithm for a heap

REPORTINSUBTREE(ν,qx)

**输入:**以 v 为根节点的一棵优先查找树，以及数值 qx
**输出:**该子树中 x-坐标不超过 qx 的所有点

Lemma 10.7

REPORTINSUBTREE(ν,qx) reports in O(1+kν) time all points in the subtree rooted at ν whose x-coordinate is at most qx, where kν is the number of reported points.

REPORTINSUBTREE(v, qx)可以在 O(1 + kv)时间内，从以 v 为根节点的子树中，将 x-坐标不超过 qx 的所 有点报告出来，其中 kv 为实际被报告出来的点数。

Query algorithm based on priority search tree

Algorithm QUERYPRIOSEARCHTREE(T,(−∞ : qx]×[qy : qy])

**输入:**一棵优先查找树 T，以及一个左侧无界的待查询区域
**输出:**落在该区域内的所有点

Lemma 10.8

Algorithm QUERYPRIOSEARCHTREE reports the points in a query range (−∞ : qx]×[qy : qy] in O(logn+k) time, where k is the number of reported points.

算法 QUERYPRIOSEARCHTREE 可以在 O(logn + k)时间内，报告出落在待查询区域(-∞ : qx] × [qy : qy’ ]内 的所有点，其中 k 为实际被报告出来的点数。

Theorem 10.9

A priority search tree for a set P of n points in the plane uses O(n) storage and can be built in O(n log n) time. Using the priority search tree we can report all points in a query range of the form (−∞ : qx] × [qy : qy] in O(log n + k) time, where k is the number of reported points.

对于由平面上任意 n 个点组成的集合 P，我们都可在 O(nlogn)时间内为其构造出一棵占用 O(n)存储空 间的优先查找树。借助这棵优先查找树，对于任何形如(-∞ : qx] × [qy : qy’ ]的待查询区域，我们都可在 O(logn + k)时间内从 P 中找出落在该区域中的所有点，其中 k 为实际被报告出来的点数。

10.3 Segment Trees(线段树)

应用于印刷电路板设计
路线图包含任意方向的线段

bounding box

在最坏的情况下，所有边界框可以与W相交，而没有任何分段

窗口化的两种情况：在窗口中具有端点的段和与窗口边界相交的段。
**问题：**在S中找到与垂直查询段相交的段

线段方向任意时，截窗查询无法分解为沿两个正交方向的两次查询

设I := {[x1 : x1’ ], [x2 : x2’ ], …, [xn : xn’ ]}为实轴上的一组共n个区间。我们所希望找到的数据结构，应该能够对任一待查询点qx，报告出S中包含qx的所有区间。
将各区间的端点从左到右排成序列p1, …, pm(其中剔除了重合的端点)。
如此分割所得到 的子区域，称作基本区间(elementary interval)。

划分出来的基本区间从左到右依次是:

基本区间

在这个基本区间的序列中，开区间与闭区间交替出现:每一个开区间，都介于某两个相邻端点 pi 和 pi+1 之间;而每一个闭区间，都是某一端点本身。

建立一棵二 分查找树 T，树中的叶子分别对应于各基本区间。与某匹叶子μ对应的基本区间，记作 Int(μ)。

将线段s存放在v处，而不是分别存放在μ1、μ2、μ3和μ4处
如上图所示，有一个区间跨越了五个基本区间。考察分别与基本区间μ1、μ2、μ3 和μ4 相对应的 四匹叶子。
如果针对qx的搜索路径终止在其中的某匹叶子处，我们就必须报告这段区间。

线段树:其中的节点通过箭头，指向对应的正则子集