java实现梁友栋裁剪算法_裁剪算法 - Jing_Rui - 博客园

最新推荐文章于 2023-08-21 09:20:32 发布
最新推荐文章于 2023-08-21 09:20:32 发布
阅读量326 收藏 1
点赞数
文章标签： java实现梁友栋裁剪算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_34419203/article/details/114854170
版权

Cohen-Sutherland算法(编码裁剪算法)

一、基本思想

采用编码的方式对直线段分三种情况处理

dd9e961928f8ffa83265fd06aa42a2fb.png

3457ea66122ab98d4af343d055c7456a.png

(3)重点在于2种情况都不满足的时候，需要按交点来进行分段，然后再判定。

二、编码规则

(1)以上三种情况都采用编码的方式来快速解决。

每条线段的端点偶读赋以四位二进制码D3D2D1D0，编码规则如下：

d3dd5d170f2f122f8305e5c9f56bac97.png

左右下上，即边界之外为1，否则为0。

(2)

5326b4a444081dbe96819565f89de27a.png

三、具体实现

裁剪出一条线段，先求出端点编码code1和code2，然后进行“或” 和“与” 运算。

d5c9325de33a69201f3fb76da629ad3e.png

或0取，与非弃。

(3)若以上2种情况都不满足，例如：

dfe1e93f49e8aa539c6bbd8c92826247.png

此时将p1和p2的编码进行与或操作发现，或不为0，与为0。则采用分段的方法。按左右下上的顺序求出交点P3，P1P3在窗外则舍弃。

ab9b507db8df1903c2241762f21e74de.png

得到p3p2时，再对p3p2进行编码测试，发现也属于第三种情况。则再求出交点p4。经测试，p3p4可取，p4p2舍弃。

四、额外说明

(1)虚交点：对于舍弃的情况还有一种特例，如下图中的蓝线。

3654bb053c1eb878de3f3fdab3158d24.png

此时AB点进行编码测试也属于第三种情况，但是却需要舍弃。这就需要计算出虚交点，然后分段舍弃了AC和CB。

(2)交点的计算方法

因为通常都是已经边界坐标，所以都是利用斜率来按照左下右上的顺序计算交点。

28118050ac1f38b4139a0a60f0d0a6ec.png

中点分割算法

一、基本思想

中点分割用到的测试方法仍然是编码测试，但是用二分逼近来确定直线段与窗口的交点。而具体的实现，也是根据中点的位置情况来讨论的。

二、具体实现

fee55c85106345b5ac1ffdb157b053ec.png

d5a520cfb2f84e1b8cde7d035fbc500c.png

何为误差范围？

比如在1024的分辨率下，最多也就进行10次二分，不可能永远分下去。所以需要提前设定误差范围。

中点分割算法相比于Cohen-Sutherland算法，避免了求交，只需计算中点坐标即可完成，宜于硬件实现 。

Liang-Barsky算法

一、基本思想

把被裁剪直线看成一条有向线段并用参数方程表示，进而确定出要获取的部分。

1.参数表示

7d449905d0d46dbc5fc6713bacf79422.png

d2409975ec685fccfafbaedd3b4d222e.png

2.方向设定确认点

将四条边分为入边和出边

724a37bf127f3261a5b5c0461a8d3f17.png

u1u2则为裁剪区域内的线段

3.不等式变换

81ed59a4b13489f756ccfff8e0eae81e.png

裁剪区域内的点可由以上不等式得到，移项变换得

648d4c3af455b3e1d0321b1606191e78.png

我们可以

f26c0def99c410a95c1464a7ba147267.png

4.分类讨论

(1)pk=0

a. p1&p2=0，此时直线垂直，若q1<0或q2<0则直线在裁剪区域外，直接舍弃。

0fe86251dca5fab23b86899d949d86d2.png

b.  p3&p4=0，此时直线平行，若q3<0或q4<0则直线在裁剪区域外，直接舍弃。

ca69a418460ac3bf1cadb60fb5b6b3b3.png

c.  p1&p2=0且q1≥0或q2≥0，p3&p4=0且q3≥0或q4≥0(即上图B和F的情况)。则进一步根据交点判断。

(2)pk≠0

f6daf1f2dfe09f9bda3e2894bdca32e1.png

此处根据具体的ΔxΔy数据来得到pk的正负

dae9bc267cfb1dfd5e74cd1fa6feab55.png

3b276a48a14083cbe328a60c12180919.png

e7d72fbed0a90be0405dda1bbee55011.png

如图，此种情况为舍弃。u1>u2

二、具体实现

a52dc0f8afc7842bb9911bab4fc7f40b.png

ad5886a142eb04176dcfe3c671c7d082.png

60e9649cdece06d2d8eadd60f51d1115.png

581a6fec2edcdef150f836e0df621f35.png

397ad84fb6fa9c0f01ad88c927ef9a94.png

6e40b0ac0320059f4e651f68ef9f989c.png

LlalyLau刘雅俐
关注
计算机图形学编码裁剪算法
02-06
给定一窗口区域。 计算各区的特征码。 随机给定一条直线的两端上。 计算两端点对应的特征码。 如果两端点都在窗口内，直接显示。 如果有端点在窗口外，则判断它和哪个边框有交点。求出直线和对应边框线交点。在计算交点的特征码，重复前面的。
java实现梁友栋裁剪算法_梁友栋-Barsky裁剪算法
weixin_42236063的博客
02-28 755
梁友栋-Barsky裁剪算法Cyrus和Beck用参数化方法提出了比Cohen-Sutherland更有效的算法。后来梁友栋和Barsky独立地提出了更快的参数化线段裁剪算法，也称为Liany-Barsky(LB)算法。我们知道，一条两端点为P1(x1，y1)、P2(x2，y2)的线段可以用参数方程形式表示：x= x1+ u·(x2-x1)= x1+ u·Δxy= y1+ u·(y2-y1)= y...
计算机图形学：Cohen-Sutherland直线段剪裁算法及梁友栋-Barsky裁剪算法（算法原理及代码实现）
qq_55982881的博客
02-22 9143
一、算法实现原理 Cohen-Sutherland直线段剪裁算法： 算法原理： （1）判断线段两端是否都落在窗口内，如果是，则线段完全可见，否则进行下一步 （2）判断线段两端是否都落在窗口外，如果是，则线段完全不可见，否则进行下一步 （3）求线段与窗口延长线的交点，这个交点将线段分为两端，一段完全不可见丢弃，对剩下的一部分重新进行上述一、二操作，直到结束。 算法实现： 用窗口四条边所在的直线将整个二位平面分为9个区域，定义下界限为ymin，上界限为ymax，左界限为xmin，右界...
java实现梁友栋裁剪算法_梁友栋-Barsky直线裁剪算法
weixin_32747681的博客
03-08 551
【实例简介】内容：用梁友栋-Barsky算法进行线段裁剪要求：对于线段裁剪，线段被窗口的四条边裁剪的过程要显示出来用橡皮筋的形式输入剪裁线段【实例截图】【核心代码】90e06143-8af7-4264-b248-6195b3f8a5a2└── 梁友栋-Barsky直线裁剪算法├── Debug│ ├── MainFrm.obj│ ├── StdAfx.obj│ ├── TestDoc....
梁友栋-Barsky算法(
01-17 3328
直线的裁剪： 梁友栋-Barsky算法(Liang-Barsky算法) 1. 算法的基本思想 以直线的参数方程为基础，对不同情况下的裁剪求得相应的参数值。 2. 算法的推导过程 情形一   pk=0 （1）p1＝p2＝0 若q1 若q1>=0且q2>=0,则进一步判断      u=qk/pk（k=3,4） 令   u1=max(0,u|pk      u2=min(1,u|p
Rui-Seoul-document-scanning.zip_图形图像处理_Java_
08-11
1. 图像转换：Java的BufferedImage类提供了丰富的图像操作接口，可以进行像素级别的读写，实现图像的缩放、旋转、裁剪等操作。Rui Seoul软件可能利用这些功能来调整扫描后的文档尺寸和方向。 2. 颜色空间转换：软件...
tu-xiang-rui-hua.rar_tu
09-24
标题中的“tu-xiang-rui-hua.rar_tu”似乎是指一个关于图像锐化的压缩文件，其中包含了“tu xiang rui hua.doc”这样一个文档。这个文档可能包含图像锐化技术的详细介绍和教程，适合初学者进行学习研究。下面我们将...
读C++_2018.9.22 - 10.27
10-27
### C++ Primer Plus 知识点总结 #### 一、C++ Primer Plus 课程概览 根据提供的描述，“读C++_2018.9.22 - 10.27”这一课程主要围绕《C++ Primer Plus》这本书进行深入学习。此书涵盖了C++语言的基础和高级特性，...
Physics_2009 2023-5-4 123521 2.pdf
05-23
这篇研究发表在Elsevier出版的《Physica A》期刊上，作者包括Kun Gao、Rui Jiang、Bing-Hong Wang和Qing-Song Wu。 文章的核心是基于Kerner的三相交通理论建立的细胞自动机模型的扩展。Kerner的三相交通理论认为，...
leetcode第一题哈希表-Rui_Python_Leetcode:Leetcode的Python代码
06-30
leetcode 第一题哈希表Python_Leetcode ...在理解了所有算法之后，您可以测试自己。 DP真的很难。 需要更多培训！！！ 链表 二分查找 两个指针 位操作 数学 堆 哈希表 回溯 树 分布式文件系统 BFS 细绳 大批 动态规划
梁友栋-Barsky直线裁剪算法 计算机图形学 孔令德 案例源码
12-28
梁友栋-Barsky直线裁剪算法 计算机图形学 孔令德 案例源码
计算机图形学——裁剪
微赚开发者技术分享博客
10-20 3176
裁剪作用：选择显示的内容--图形在窗口内的部分被显示出来，窗口外的部分被裁剪掉图形中每个图形基本元素都要经过裁剪，因此裁剪直接影响整个图形系统的效率。 裁剪窗口：矩形，凸多边形，任意多边形裁剪类型：二维裁剪、三维裁剪裁剪对象：直线段、多边形、文字等裁剪方法:直线的裁剪方法: Sutherland-Cohen算法 , Cyrus-Beck算法,梁友栋-Barsky算法多边形的裁剪方法:Suthe...
openGL-梁友栋-Barsky算法
FrankDura的博客
03-14 4081
代码// // main.cpp // hw_1_cut_line // // Created by 窦志扬 on 2018/3/11. // Copyright © 2018年 窦志扬. All rights reserved. //#include <GLUT/GLUT.h> #include <iostream> using namespace std; int x1,y1,x2,y2
计算机图形学2-Liang-Barsky直线裁剪算法
dark的博客
02-11 1457
计算机图形学2-Liang-Barsky直线裁剪算法效果代码 效果 首先点击两个点画一个矩形窗口，接下来继续点两点画个直线，画完之后按下“x”键则会用liang方法裁剪直线，将在窗口外的部分除去，按下”q”退出 代码 import cv2 import numpy as np import time import math img = np.zeros((600, 800, 3), np.uint8)#背景 flag,count=False,2 ptl1x,ptl1y,ptl2x,ptl2y=0,
裁剪算法Liang-Barsky
伍拾柒的博客
10-15 1035
目录实验内容代码介绍 实验内容 • 实现Liang-Barsky裁剪算法，绘制任意方向\数量线段，可移动的裁剪窗口，通过不同颜色标识裁剪窗口内外的部分，效果可参考下图（可交互的移动裁剪窗口并实时显示裁剪效果）。(100%) • 画线的命令可以使用OpenGL提供的画线函数，也可以使用实验一自己实现的画线函数。 代码介绍 相关算法在课堂上已经讲过，这里只介绍相关代码。 在以下代码中按下R为画矩形模式，按下L为画直线模式，按下M为移动矩形模式。将所有已绘制的直线的顶点放入vector中存储，每次绘制图像时，遍
裁剪算法
weixin_34402408的博客
09-25 1084
Cohen-Sutherland算法（编码裁剪算法） 一、基本思想 采用编码的方式对直线段分三种情况处理 (3)重点在于2种情况都不满足的时候，需要按交点来进行分段，然后再判定。 二、编码规则 (1)以上三种情况都采用编码的方式来快速解决。 每条线段的端点偶读赋以四位二进制码D3D2D1D0，编码规则如下： 左右下上，即边界之外为1，否则为0...
实验4 编码裁剪算法
图形学与可视化
04-17 3069
1．实验目的：了解二维图形裁剪的原理（点的裁剪、直线的裁剪、多边形的裁剪），利用VC+OpenGL实现直线的裁剪算法。2．实验内容：（1） 理解直线裁剪的原理（Cohen-Surtherland算法、梁友栋算法）（2） 利用VC+OpenGL实现直线的编码裁剪算法，在屏幕上用一个封闭矩形裁剪任意一条直线。（3） 调试、编译、修改程序。（4） 尝试实现梁友栋裁剪算法。3．实验原理：编码裁剪算法中，...
计算机图形学实验五-直线段的编码裁剪算法（Cohen-SutherLand算法）
最新发布
weixin_53249260的博客
08-21 2147
连接和裁剪区域的4个角点的直线分别记为LT、RT、LB、RB，通过比较P0P1和这四条直线的斜率，可以确定直线的可见性、直线与区域边界的交点个数及交点所在边界。：参考Cohen-SutherLand算法的编码形式，定义编码函数，得到传入的点的坐标，首先判断是否完全可见，完全可见则直接绘制，完全不可见则直接抛弃，以上两种情况均不符合则为部分可见的情况，则开始判断起点所处的区域，针对三个不同的区域进行不同区域的处理，根据不同的斜率值进行不同交点的求解，这里就体现了NLN直线段裁剪算法的。
布料 java_3D MAX布料修改器中对象属性面板cloth的属性参数讲解
weixin_30444697的博客
03-01 974
这篇文章我们将会单独对3D MAX布料修改器中对象属性面板的各部分参数进行讲解，以便大家有一定的了解，感兴趣的朋友可以学习一下；对象属性面板各个组成部分之cloth属性Cloth属性就是指我们参与模拟中布料部分参数的设定，接下来的教程我们给大家详细的对各个参数进行讲解。1、预设预设就是预先给我们的布料选择一种材质，这里的材质泛指布料的中材质，例如；棉、麻、皮革、丝绸等。3dmax中给我们提供一部分...
LFM算法Java代码实现
03-25
LFM算法是一种基于矩阵分解的推荐算法，下面给出Java代码实现。 首先，我们需要定义一个User类和Item类来表示用户和物品： ```java public class User { private int id; // 用户ID private List<Item> items; // 用户评价的物品列表 // 省略构造函数和getter/setter方法 } public class Item { private int id; // 物品ID private double rating; // 用户对物品的评分 // 省略构造函数和getter/setter方法 } ``` 然后，我们定义LFM算法类： ```java public class LFM { // 根据用户评价的物品列表计算用户的隐向量 public double[] getUserVector(List<Item> items) { // 省略实现 } // 根据物品被哪些用户评价过的列表计算物品的隐向量 public double[] getItemVector(List<User> users) { // 省略实现 } // 计算两个向量的点积 public double dotProduct(double[] v1, double[] v2) { // 省略实现 } // 计算两个向量的余弦相似度 public double cosineSimilarity(double[] v1, double[] v2) { // 省略实现 } // 预测用户对物品的评分 public double predictRating(User user, Item item) { // 省略实现 } } ``` 在实现LFM算法的过程中，需要使用矩阵分解技术，这里使用SVD算法来进行矩阵分解。由于Java本身不提供SVD算法的实现，我们可以使用第三方库来进行SVD分解，比如Jama库。具体实现可以参考以下代码： ```java import Jama.*; public class LFM { // LFM算法参数 private int factorNum; // 隐向量的维度 private double alpha; // 学习率 private double lambda; // 正则化参数 // 保存用户和物品的隐向量 private Map<Integer, double[]> userVectors; private Map<Integer, double[]> itemVectors; public LFM(int factorNum, double alpha, double lambda) { this.factorNum = factorNum; this.alpha = alpha; this.lambda = lambda; userVectors = new HashMap<Integer, double[]>(); itemVectors = new HashMap<Integer, double[]>(); } // 根据用户评价的物品列表计算用户的隐向量 public double[] getUserVector(List<Item> items) { Matrix matrix = new Matrix(items.size(), factorNum); for (int i = 0; i < items.size(); i++) { double[] itemVector = itemVectors.get(items.get(i).getId()); for (int j = 0; j < factorNum; j++) { matrix.set(i, j, itemVector[j]); } } SingularValueDecomposition svd = matrix.svd(); double[] userVector = new double[factorNum]; for (int i = 0; i < factorNum; i++) { userVector[i] = svd.getV().get(i, factorNum - 1); } return userVector; } // 根据物品被哪些用户评价过的列表计算物品的隐向量 public double[] getItemVector(List<User> users) { Matrix matrix = new Matrix(users.size(), factorNum); for (int i = 0; i < users.size(); i++) { double[] userVector = userVectors.get(users.get(i).getId()); for (int j = 0; j < factorNum; j++) { matrix.set(i, j, userVector[j]); } } SingularValueDecomposition svd = matrix.svd(); double[] itemVector = new double[factorNum]; for (int i = 0; i < factorNum; i++) { itemVector[i] = svd.getV().get(i, factorNum - 1); } return itemVector; } // 计算两个向量的点积 public double dotProduct(double[] v1, double[] v2) { double result = 0.0; for (int i = 0; i < v1.length; i++) { result += v1[i] * v2[i]; } return result; } // 计算两个向量的余弦相似度 public double cosineSimilarity(double[] v1, double[] v2) { double dotProduct = dotProduct(v1, v2); double normV1 = Math.sqrt(dotProduct(v1, v1)); double normV2 = Math.sqrt(dotProduct(v2, v2)); return dotProduct / (normV1 * normV2); } // 预测用户对物品的评分 public double predictRating(User user, Item item) { double[] userVector = userVectors.get(user.getId()); double[] itemVector = itemVectors.get(item.getId()); return dotProduct(userVector, itemVector); } // 训练LFM算法 public void train(List<User> users, List<Item> items) { // 初始化用户和物品的隐向量 for (User user : users) { double[] userVector = new double[factorNum]; for (int i = 0; i < factorNum; i++) { userVector[i] = Math.random() / Math.sqrt(factorNum); } userVectors.put(user.getId(), userVector); } for (Item item : items) { double[] itemVector = new double[factorNum]; for (int i = 0; i < factorNum; i++) { itemVector[i] = Math.random() / Math.sqrt(factorNum); } itemVectors.put(item.getId(), itemVector); } // 迭代优化隐向量 for (int step = 0; step < 100; step++) { for (User user : users) { double[] userVector = getUserVector(user.getItems()); userVectors.put(user.getId(), userVector); } for (Item item : items) { double[] itemVector = getItemVector(item.getUsers()); itemVectors.put(item.getId(), itemVector); } for (User user : users) { for (Item item : items) { if (user.getItems().contains(item)) { double rui = item.getRating(); double[] userVector = userVectors.get(user.getId()); double[] itemVector = itemVectors.get(item.getId()); double pui = dotProduct(userVector, itemVector); double eui = rui - pui; for (int i = 0; i < factorNum; i++) { userVector[i] += alpha * (eui * itemVector[i] - lambda * userVector[i]); itemVector[i] += alpha * (eui * userVector[i] - lambda * itemVector[i]); } userVectors.put(user.getId(), userVector); itemVectors.put(item.getId(), itemVector); } } } } } } ``` 以上就是LFM算法的Java代码实现。在实际使用中，我们可以根据数据量的大小选择不同的SVD算法实现，比如对于小规模数据集可以直接使用Jama库，对于大规模数据集可以使用Spark中的MLlib库的SVD算法实现。此外，我们也可以根据数据特点进行优化，比如引入建模技巧和特征选择等，以提高算法的推荐效果和运算速度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值