一、均匀生成圆内的随机点
我们知道生成矩形内的随机点比较容易,只要分别随机生成相应的横坐标和纵坐标,比如随机生成范围[-10,10]内横坐标x,随机生成范围[-20,20]内的纵坐标y,那么(x,y)就是生成的随机点。由此,我们很容易的想到了算法1
算法1(正确的):
每个圆对应一个外切矩形,我们随机生成矩形内的点,如果该点在圆内,就返回改点,否则重新生成直到生成的点在圆内。
该方法的缺点是有可能连续几次都生成不了符合要求的点。(可以求得:每次生成点时,该点有 image 的概率在圆内)
算法2(错误的):
可能有的人想到该方法,根据圆的解析式image (假设圆心在原点)我们可以先随机生成[-R, R]范围内横坐标x,然后生成image 范围内的随机数y,(x,y)就是需要的点。
我们写程序模拟了该过程,从下图可以看出,我们可以看到当x靠近圆的边缘使,y的范围减小,因此两边边缘的点较密集,靠近圆心的点较稀疏。
算法3(错误的):
还可以根据极坐标,圆内的点可以如下描述
x = r*sin(theta)
y = r*cos(theta)
其中0 <= r <= R, 0 <= theta < 360
先随机生成[0, 360)内的theta,然后随机生成[0, R]内的r。
theta固定后,当r越靠近R,即点越靠近圆的边缘,因此如果r是[0,R]等概率生成的,那么圆的边缘的点会比靠近圆心处要稀疏。
算法4(正确的):
和算法3一样还是根据极坐标
x = r*sin(theta)
y = r*cos(theta)
其中0 <= r <= R, 0 <= theta < 360
先随机生成[0, 360)内的theta,然后随机生成[0, 1]内的k, 且r = sqrt(k)*R。
根据根号函数的性质,这样使得r的分布在k靠近1(靠近边缘)的地方点变得较密,具体证明可参考here, 也可以参考论文“矩形和椭圆内均匀分布随机点定理及应用”,圆是椭圆的特例
以上的4个算法的代码如下(Python3.3):
import numpy as np
import matplotlib.pyplot as plt
import random
import math
#博客算法1
def GeneratePointInCycle1(point_num, radius):
for i in range(1, point_num+1):
while True:
x = random.uniform(-radius, radius)
y = random.uniform(-radius, radius)
if (x**2) + (y**2) < (radius**2):
break
plt.plot(x, y, '*', color = "black")
#博客算法2
def GeneratePointInCycle2(point_num, radius):
for i in range(1, point_num+1):
x = random.uniform(-radius, radius)
y_max = math.sqrt(radius**2 - x**2)
y = random.uniform(-y_max, y_max)
plt.plot(x, y, '*', color = "black")
#博客算法3
def GeneratePointInCycle3(point_num, radius):
for i in range(1, point_num+1):
theta = random.random()*2*pi;
r = random.uniform(0, radius)
x = r*math.sin(theta)
y = r*math.cos(theta)
plt.plot(x, y, '*', color = "black")
#博客算法4
def GeneratePointInCycle4(point_num, radius):
for i in range(1, point_num+1):
theta = random.random()*2*pi;
r = random.uniform(0, radius)
x = math.sin(theta)* (r**0.5)
y = math.cos(theta)* (r**0.5)
plt.plot(x, y, '*', color = "black")
pi = np.pi
theta = np.linspace(0, pi*2, 1000)
R = 1
x = np.sin(theta)*R
y = np.cos(theta)*R
plt.figure(figsize=(6,6))
plt.plot(x,y,label = "cycle",color="red",linewidth=2)
plt.title("cycyle")
GeneratePointInCycle4(4000, R) #修改此处来显示不同算法的效果
plt.legend()
plt.show()
一、均匀生成三角形内的随机点
算法5(错误的)
对于三角形ABC和一点P,可以有如下的向量表示:
image
p点在三角形内部的充分必要条件是:1 >= u >= 0, 1 >= v >= 0, u+v <= 1。
先生成[0,1]的随机数u,然后生成[0, 1-u]内的随机数v,u、v生成后,就可以得到p点的坐标:
image
由下图可知,该算法生成的点在靠近A点处较浓密
如图所示,三角形ABC有与之对应的矩形ABNM,且矩形面积是三角形的两倍,三角形ADC和CMA全等,CDB和BNC全等。
我们可以先生成矩形ABNM内的随机点P,如果P刚好在三角形ABC中,那么符合要求;如果P不在三角形ABC中,P要么在AMC中,要么在BNC中,如图P在BNC中,我们求P关于BC中点的的中心对称点,该点一定在三角形中。P在AMC中同理。这样可以保重三角形外的点都可以均匀的一一对应到三角形内部。
后面的代码中,为了简化计算,我们假设AB是平行X轴的。
对于生成任意多边形内的随机点,我们可以把它分割成三角形,再来生成随机点。
算法5和算法6的代码如下(Python3.3):
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.lines as line
import random
import math
#对应博客算法5
def GeneratePointInTriangle1(point_num, pointA, pointB, pointC):
for i in range(1, point_num+1):
u = random.uniform(0.0, 1.0)
v = random.uniform(0.0, 1.0 - u)
pointP = u*pointC + v*pointB + (1.0-u-v)*pointA;
plt.plot(pointP[0], pointP[1], '*', color = "black")
#根据向量叉乘计算三角形面积,参考 http://www.cnblogs.com/TenosDoIt/p/4024413.html
def ComputeTriangleArea(pointA, pointB, pointC):
return math.fabs(np.cross(pointB - pointA, pointB - pointC)) / 2.0
#判断点P是否在三角形ABC内,参考 http://www.cnblogs.com/TenosDoIt/p/4024413.html
def IsPointInTriangle(pointA, pointB, pointC, pointP):
area_abc = ComputeTriangleArea(pointA, pointB, pointC)
area_pab = ComputeTriangleArea(pointA, pointB, pointP)
area_pbc = ComputeTriangleArea(pointP, pointB, pointC)
area_pac = ComputeTriangleArea(pointP, pointA, pointC)
return math.fabs(area_pab + area_pac + area_pbc - area_abc) < 0.000001
#计算一个点关于某一点的中心对称点
def ComputeCentralSymmetryPoint(point_src, point_center):
return np.array([point_center[0]*2-point_src[0], point_center[1]*2-point_src[1]])
#对应博客算法6
def GeneratePointInTriangle2(point_num, pointA, pointB, pointC):
for i in range(1, point_num+1):
pointP = np.array([random.uniform(pointA[0], pointB[0]), random.uniform(pointA[1], pointC[1])])
if not IsPointInTriangle(pointA, pointB, pointC, pointP):
if pointP[0] > pointC[0]:
pointP = ComputeCentralSymmetryPoint(pointP, np.array([(pointC[0] + pointB[0])/2, (pointC[1] + pointB[1])/2]))
else:
pointP = ComputeCentralSymmetryPoint(pointP, np.array([(pointC[0] + pointA[0])/2, (pointC[1] + pointA[1])/2]))
plt.plot(pointP[0], pointP[1], '*', color = "black")
fig = plt.figure()
#三角形三个顶点
pointA = np.array([0,1])
pointB = np.array([3,1])
pointC = np.array([1,2])
plt.plot([pointA[0],pointB[0]], [pointA[1],pointB[1]])
plt.plot([pointA[0],pointC[0]], [pointA[1],pointC[1]])
plt.plot([pointB[0],pointC[0]], [pointB[1],pointC[1]])
GeneratePointInTriangle2(1500, pointA, pointB, pointC) #修改此处来显示不同算法的效果
plt.ylim(0.5,2)
plt.xlim(0,3)
plt.show()