什么是Convex Hull（凸包）

在数学中，**凸包（convex hull）**是一个几何术语，用于描述一个点集的最小凸集。具体来说，给定平面或空间中的一个有限点集，凸包是包含这些点的最小凸多边形或多面体。

在数学和计算几何中，凸包（Convex Hull）是指在二维或更高维度的空间中，对于一个点集，存在一个最小的凸集合，使得这个点集完全包含在这个凸集合内。简单来说，如果我们将这些点想象成钉子上的绳子，当你拉紧绳子并形成一个封闭的形状时，这个形状就是这些点的凸包。

更正式地定义，给定一组点P，在欧几里得空间中的凸包是所有包含P的凸集合的交集。在二维空间中，凸包可以看作是一个多边形，其边界由一些输入点构成，这些点称为凸包的顶点。在三维空间中，凸包则是一个多面体。

凸包在计算机科学、图形学、模式识别、统计分析等领域有广泛的应用，例如在聚类分析、机器人路径规划、碰撞检测等场景中。计算凸包的算法有很多，如Graham扫描法、Jarvis步进法（增壳算法）、Divide and Conquer算法等。

凸包

定义

对于一个点集 ( S )（可以在二维平面、三维空间或更高维度中），其凸包 ( $\text{Conv}(S)$ ) 是包含 ( S ) 的最小凸集。换句话说，凸包是一个包含 ( S ) 的最小凸区域。

凸集

一个集合 ( C ) 被称为凸集，当且仅当对于集合中任意两点 ( A ) 和 ( B )，连接 ( A ) 和 ( B ) 的线段始终在集合 ( C ) 内。形式化地，如果对于任意的 ( x, y \in C ) 和任意的 ( t \in [0, 1] )，点 ( (1-t)x + ty \in C )，则 ( C ) 是一个凸集。

示例

1. 二维平面中的凸包：给定一组点，在二维平面中，它们的凸包是一个凸多边形，其顶点是点集中某些点，这些点围成了一个包含所有点的最小凸多边形。
2. 三维空间中的凸包：在三维空间中，给定一组点，它们的凸包是一个凸多面体，其面由点集中某些点形成，包含所有点的最小凸多面体。

计算方法

计算凸包的常用算法包括：

• Graham扫描算法：在二维平面中找到凸包的一种高效算法，时间复杂度为 ( $O(n\log n)$ )。
• Jarvis步进（礼帽算法）：一种简单但在最坏情况下效率较低的算法，时间复杂度为 ( $O(nh)$ )，其中 ( h ) 是凸包上的点数。
• Quickhull算法：一种在实践中较为高效的算法，类似于快速排序，时间复杂度为 ( $O(n\log n)$ )。
• Chan’s Algorithm：一种混合算法，结合了 Graham 扫描和 Jarvis 步进，时间复杂度为 ( $O(n\log h)$ )。

应用

凸包在计算几何、图像处理、地理信息系统、机器人路径规划等领域有广泛应用。例如，在图像处理领域，常使用凸包对目标物体进行形状近似。

总结一下，凸包是一个包含点集的最小凸多边形或多面体，是计算几何中的基本概念和工具。

相关延伸

凸d-多边形

凸d-边形（convex d-gon）是指一个有d个顶点的凸多边形。在几何学中，一个多边形如果内部任意两点的连线完全位于该多边形内部，则称这个多边形为凸多边形。对于凸d-边形，这里的d表示多边形的顶点数，也就是边的数量。

例如，当d=3时，我们得到的是一个三角形；当d=4时，我们得到的是一个四边形，它可以是一个矩形、正方形或者菱形等；以此类推，随着d值的增加，我们可以得到更多边的凸多边形。在凸多边形中，所有的内角都小于180度，并且没有凹进去的部分。