点定位（四）：处理退化情况(Point Location: handle degenerate cases)

fengkeyleaf

已于 2023-05-27 22:54:14 修改

阅读量435

点赞数 1

分类专栏：计算几何算法文章标签：计算几何算法点定位

于 2022-03-19 16:15:22 首次发布

本文链接：https://blog.csdn.net/fengkeyleaf/article/details/123596781

版权

算法同时被 2 个专栏收录

69 篇文章 7 订阅

订阅专栏

计算几何

34 篇文章 21 订阅

订阅专栏

本文探讨了计算几何中处理退化情况的策略，特别是点定位算法在遇到端点重合、端点在同一直线上或线段端点在线段上的问题。通过倾斜变换和真假斜切变换，避免了退化情况导致的复杂性，为Voronoi图的空间查找奠定了基础。分析了如何通过‘假想’斜切变换，不实际执行变换但仍能正确比较端点位置，以及处理端点在线段上的情况。

摘要由CSDN通过智能技术生成

1. 退化情况

在前面几节，我们讲解了如何对梯形图和搜索结构进行拆解和更新，但是我们对输入做出了不少限制（即不允许退化情况），这一节我们就把关注点放在各种退化情况的处理上。总的来说，笔者总结的退化情况一共有三种：

输入线段端点发生重合，即有两条线段首尾或尾首相咬合；
有两个或数个端点的X坐标相同，即它们处于同一条垂直线上；
有线段端点在其他线段上；

它们的可视化结构依次如下：

在这里插入图片描述

第一种退化情况，我们已经在前几节已经详细讨论过了，所以这一节我们把重心放在后面两种退化情况上，通过完善这两种情况，我们的点定位算法将拥有处理所有退化情况的能力，并为后面Voronoi图高效进行空间查找铺平了道路。

2. 思路分析

2.1 倾斜变换

其实，处理第二和第三种退化情况的思路非常的简单直观：

将原本处于同一条垂直线上的端点变成不在同一条垂直线上。

比如下图展示的情况：
在这里插入图片描述

这个思路说起来简单，但是做起来可不简单，因为我们究竟如何去实现这个“倾斜”操作呢？根据教材上面的描述¹，一共有两种方法：

将原图形进行旋转变换（Rotation Transformation）；
对原图形进行斜切变换（Shear Transformation）；

第一种方法不难理解，比如下图中的矩形输入（由四条线段组成）：
在这里插入图片描述
这种方法虽然直观，但是会引入一个非常麻烦的问题：计算精度问题，也就是说我们需要极高的精度才能处理这种变换，所以显然这种方法是不太可靠的，计算机不可能提供无限精度的浮点数。那第二种方法是什么意思呢？其实也不难，下图展示了一个输入案例经过斜切处理后的结果¹：
在这里插入图片描述

到这里可能有童鞋会问：应用这种变换不也会产生精度问题么？真的这样做确实会产生精度问题，但问题是实际计算当中我们没有必要真的应用斜切变换，我们只需要“假想应用了斜切变换”，这是什么意思呢？接下来我们就来看看如何应用对偶数的结构来巧妙“实现”斜切变换，但又不会产生计算精度问题。

2.2 真假斜切变换

假如斜切的偏移量为ε（ε > 0），偏移对象为x坐标，那么我们可以写出原来坐标值和发生斜切以后的坐标值¹：
$\varphi : \begin{pmatrix} x \\ y \\ \end{pmatrix} \Rightarrow \begin{pmatrix} x + \varepsilon y \\ y \\ \end{pmatrix}$
但我们不需要真的去计算变换后的x坐标：x + εy。为什么呢？大家可以思考一下，我们需要在什么情况下，才真正需要斜切以后的坐标值呢？是的，只有当两个端点的x坐标相等的情况，我们才需要变换后的坐标，那么我们可以得到如下结论：
$设任意两个端点坐标P_{1}(x_{1}, y_{1})，P_{2}(x_{2}, y_{2})，\newline(1)\,如果x_{1} \neq x_{2}，则我们正常比较x坐标的大小即可，即x_{1} > x_{2}，P_{1}在P_{2}的右边，反之在左边。\newline (2)\,如果x_{1} = x_{2}，且y_{1} \neq y_{2}，我们则比较y坐标的大小，即y_{1} > y_{2}，P_{1}在P_{2}的右边，反之在左边。\newline (3)\,如果x_{1} = x_{2}，且y_{1} = y_{2}，则两端点重合，第二种退化情况退化为第一种退化情况。$
(1)和(3)比较容易理解，但为什么可以这样“投机取巧”地进行(2)的计算，我们可以简单证明一下：
$现在有任意两个端点坐标P_{1}(x_{1}, y_{1})，P_{2}(x_{2}, y_{2})，且x_{1} = x_{2}，y_{1} \neq y_{2}，那么斜切后的坐标为（\varepsilon > 0）：\newline \varphi_{1} : \begin{pmatrix} x_{1} \\ y_{1} \\ \end{pmatrix} \Rightarrow \begin{pmatrix} x_{1} + \varepsilon y_{1} \\ y_{1} \\ \end{pmatrix}\newline \varphi_{2} : \begin{pmatrix} x_{2} \\ y_{2} \\ \end{pmatrix} \Rightarrow \begin{pmatrix} x_{2} + \varepsilon y_{2} \\ y_{2} \\ \end{pmatrix}\newline 因为我们需要比较x坐标，所以：\newline x_{1} + \varepsilon y_{1} - ( x_{2} + \varepsilon y_{2} ) = \varepsilon ( y_{1} - y_{2} )\newline 因为\varepsilon > 0，所以结果可以简化为y_{1}与y_{2}的大小比较。$
那通过这样的“假想”处理，原来的梯形图究竟会变成什么样的呢？下图展示了进行“假想”斜切处理后的梯形图和对应搜索结构：
在这里插入图片描述
通过上图的例子，大家应该能明白“假想斜切”的意义了，即真实的梯形图中，我们没有进行任何斜切变换，也就是说图例中的灰色部分是不存在的，或者它们的面积其实为零。那么这些灰色区域产生的梯形究竟又是什么样子的呢？以梯形E为例，它的leftP = P2，rightP = P1，但两个端点的x坐标相同，所以整个梯形的面积依然为零。笔者称这样的梯形为虚梯形（Zero-area trapezoid），因为这样的梯形不真实存在，且面积为零。顺带一提，后面Voronoi图也会有一个相似的彩蛋：虚边（Zero-length edge），笔者就是借用这个的概念来类比面积为零的梯形。

并且我们可以发现其实经过“斜切”处理的梯形图比原来的更加复杂了，相应地，搜索结构也多了不少节点，而且理论上来说，我们不需要进行“假想斜切”也能得到正确的梯形图和搜索结构，也就说用上面的比较方法，但是没有灰色区域。很不幸地是，从实现层面上来说，这样会使代码逻辑异常复杂，笔者曾经尝试过，但是最终悻悻而归。

到此，我们就结束了对第二种退化情况的讨论，最后来看看第三种退化情况的处理思路：如何处理端点落在线段上的情况。