DeH40

懒惰久了,稍微努力一下
就以为在拼命

你好,我是DeH40!欢迎来到我的个人主页.
小硕一枚,研究方向CV


【动态规划】凸多边形最优三角剖分

问题定义

  • 凸多边形的三角剖分:将凸多边形分割成互不相交的三角形的弦的集合T

  • 最优剖分:给定凸多边形P,以及定义在由多边形的边和弦组成的三角形上的权函数w。要求确定该凸多边形的三角剖分,使得该三角剖分中诸三角形上权之和为最小。

    凸多边形三角剖分如下图所示:

最优子结构

若凸(n+1)边形P={V0,V1……Vn}的最优三角剖分T包含三角形V0VkVn,1<=k<=n,则T的权为三个部分权之和:三角形V0VkVn的权,多边形{V0,V1……Vk}的权和多边形{Vk,Vk+1……Vn}的权之和。如下图所示:

​ 可以断言,由T确定的这两个子多边形的三角剖分也是最优的。因为若有{V0,V1……Vk}和{V0,V1……Vk}更小权的三角剖分,将导致T不是最优三角剖分的矛盾。因此,凸多边形的三角剖分问题具有最优子结构性质。

递推关系

设t[i][j],1<=i<j<=n为凸多边形{Vi-1,Vi……Vj}的最优三角剖分所对应的权值函数值,即其最优值。最优剖分包含三角形Vi-1VkVj的权,子多边形{Vi-1,Vi……Vk}的权,子多边形{Vk,Vk+1……Vj}的权之和。

因此,可得递推关系式: \(t[i][j]=\left\{\begin{array}{ll} {0} & {\mathrm{i}=\mathrm{j}} \\ {\min _{i \leqslant k<j}\left\{t[i][k]+t[k+1][j]+w\left(v_{i-1} v_{k} v_{j}\right)\right\}} & {\mathrm{i}<\mathrm{j}} \end{array}\right.\) 凸(n+1)边形P的最优权值为t[1][n]。

代码

//3d5 凸多边形最优三角剖分  
#include "stdafx.h"  
#include <iostream>   
using namespace std;   
  
const int N = 7;//凸多边形边数+1  
int weight[][N] = {{0,2,2,3,1,4},{2,0,1,5,2,3},{2,1,0,2,1,4},{3,5,2,0,6,2},{1,2,1,6,0,1},{4,3,4,2,1,0}};//凸多边形的权  
  
int MinWeightTriangulation(int n,int **t,int **s);  
void Traceback(int i,int j,int **s);//构造最优解  
int Weight(int a,int b,int c);//权函数  
  
int main()  
{  
    int **s = new int *[N];    
    int **t = new int *[N];    
    for(int i=0;i<N;i++)      
    {      
        s[i] = new int[N];    
        t[i] = new int[N];    
    }   
  
    cout<<"此多边形的最优三角剖分值为:"<<MinWeightTriangulation(N-1,t,s)<<endl;    
    cout<<"最优三角剖分结构为:"<<endl;    
    Traceback(1,5,s); //s[i][j]记录了Vi-1和Vj构成三角形的第3个顶点的位置  
  
    return 0;  
}  
  
int MinWeightTriangulation(int n,int **t,int **s)  
{  
    for(int i=1; i<=n; i++)  
    {  
        t[i][i] = 0;  
    }  
    for(int r=2; r<=n; r++) //r为当前计算的链长(子问题规模)    
    {  
        for(int i=1; i<=n-r+1; i++)//n-r+1为最后一个r链的前边界    
        {  
            int j = i+r-1;//计算前边界为r,链长为r的链的后边界    
  
            t[i][j] = t[i+1][j] + Weight(i-1,i,j);//将链ij划分为A(i) * ( A[i+1:j] )这里实际上就是k=i  
  
            s[i][j] = i;  
  
            for(int k=i+1; k<j; k++)  
            {  
                //将链ij划分为( A[i:k] )* (A[k+1:j])     
                int u = t[i][k] + t[k+1][j] + Weight(i-1,k,j);  
                if(u<t[i][j])  
                {  
                    t[i][j] = u;  
                    s[i][j] = k;  
                }  
            }  
        }  
    }  
    return t[1][N-2];  
}  
  
void Traceback(int i,int j,int **s)  
{  
    if(i==j) return;  
    Traceback(i,s[i][j],s);  
    Traceback(s[i][j]+1,j,s);  
    cout<<"三角剖分顶点:V"<<i-1<<",V"<<j<<",V"<<s[i][j]<<endl;  
}  
  
int Weight(int a,int b,int c)  
{  
     return weight[a][b] + weight[b][c] + weight[a][c];  
}  
最近的文章

论文解读 Learning Depth with Convolutional Spatial Propagation Network

Learning Depth with Convolutional Spatial Propagation Network这篇论文里提出的网络是目前KITTI2015排行榜一,作者提出的CSPN既可以用于深度预测也可以用于深度图补全。本文在Spatial Propagation Networks(SPN)的基础上提出了Convolutional Spatial Propagation Networks(CSPN),相较于SPN,CSPN可以并行计算且效果更好。CSPN和SPN一样,都使用a...…

论文解读继续阅读
更早的文章

ORB-SLAM: a Versatile and Accurate Monocular SLAM System 翻译&学习

AbstarctORB-SLAM是一个基于特征的单目SLAM系统,可以实时的运行在小尺度或大尺度、室内或室外环境。该系统对于剧烈运动有较好的鲁棒性,可以有比较大的余地自由处理闭环控制、重定位、甚至全自动位置初始化。 基于最近几年的优秀算法,作者从基础开始设计了一种和其他SLAM使用相同模块的新系统:跟踪、地图构建、重定位和回环检测。一个有关于云点和重建关键帧的最优选择策略带来了较好的鲁棒性,并且生成了一个紧凑的和可追踪的地图,该地图只有在场景内容改变时更新,允许地图的可持续性构建。作者从最...…

继续阅读