社区
图形处理/算法
帖子详情
如何判断一线段是否与以封闭多边形相交 在线等。。
dijianhua
2007-09-24 07:04:59
如何判断一线段是否与以封闭多边形相交 在线等。。多谢
急啊
...全文
729
16
打赏
收藏
如何判断一线段是否与以封闭多边形相交 在线等。。
如何判断一线段是否与以封闭多边形相交 在线等。。多谢 急啊
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
16 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
zhangyaojie8818
2007-09-26
打赏
举报
回复
manbaum(砸锅上网) 说的方法虽然是不对的,不过很有指导意义,呵呵
我觉得可以把他说的内容改一改,先判断线段所在的直线与多边形有多少个交点
然后再判断交点是否在线段上.
dijianhua
2007-09-26
打赏
举报
回复
jhjhgkjhgkjhkjhkjgjhfghfhgfjlgh
liuxiuk
2007-09-26
打赏
举报
回复
算法多种
如区域编码
拿四边形来说:
7| 8 | 9
--|-----------|---
| |
2 | 0 | 1
__|___________|___
4| 5 | 6
对线段的端点进行区域判断:
1.端点有一个在区域0 => 相交
2.两个端点都在区域0 =>不相交
3.两个端点在同侧 =>不相交
4.两个端点在异侧 =>求与多边行边界线的焦点, 然后判断该点是否在区域内?
1).在 ==> 相交
2).不在=>不相交
dijianhua
2007-09-25
打赏
举报
回复
唉 快要放弃了 。。。。。
lyg_zy
2007-09-25
打赏
举报
回复
mark,学习一下。
ToperRay
2007-09-25
打赏
举报
回复
很多图形算法库对实体相交有现成的算法,你可以研究一下autocad的算法库
dijianhua
2007-09-25
打赏
举报
回复
没有其它简单些的方法吗?大侠们帮忙啊
manbaum
2007-09-25
打赏
举报
回复
最直接的办法就是用线段和多边形的每条边去比,如果线段的和边有交点就相交。
dijianhua
2007-09-24
打赏
举报
回复
帮忙啊。。。。。。。。。。
manbaum
2007-09-24
打赏
举报
回复
哦。我想错了。呵呵。sorry。再想想——
dijianhua
2007-09-24
打赏
举报
回复
什么是凸包啊? 你说的对吗? 要是一个线段穿过一个三角形,两个端点都在外,那也是相交的啊
manbaum
2007-09-24
打赏
举报
回复
其实很简单:你就判断线段的两个端点和凸包的关系,如果两个端点都在凸包内或者都在凸包外,那就不相交,如果一个在内,一个在外,那就一定相交。
这里要求是凸包,要是有凹进去的,那这个说法是错的。你自己考虑一下吧。不过,对于凹进去的多边形,可以先分解为若干凸包,这样也是可以解的。
dijianhua
2007-09-24
打赏
举报
回复
我搜了啊 没有找到啊? 我说的是线段,和直线不一样吧? 你那里有吗?
多谢啊
manbaum
2007-09-24
打赏
举报
回复
封闭多边形是凸包的话,有现成算法,自己搜一下吧,很多。
dijianhua
2007-09-24
打赏
举报
回复
帮忙啊aaaaaaaaaaaaa
dijianhua
2007-09-24
打赏
举报
回复
up 没人帮忙啊 有个思路也好 多谢了
机器学习中的参数估计方法
概率模型的训练过程就是参数估计(parameter estimation)的过程。对于参数估计,统计学界的两个学派分别提供了不同的解决方案: 频率主义学派(Frequentist)认为参数虽然未知,但却是客观存在的固定值,因此,可通过优化似然函数等准则来确定参数值 贝叶斯学派(Beyesian)则认为参数是未观察到的随机变量,其本身也可有分布,因此,可假定参数服从一个先验分布,然后基于观测到的...
机器学习中的参数估计问题
最大似然估计、最大后验估计和贝叶斯估计 概述如下: 一,最大似然估计-MLE(频率派) 最大似然估计: 给定一个数据集DDD且假设我们已知该数据集的分布,这个分布的参数θθ\theta是固定的,不服从任何分布。MLE的目标就是找出一组参数θ⃗ =(θ1,θ2,...,θn)θ→=(θ1,θ2,...,θn)\vec{\theta}=(\theta_1,\theta_2...
深入理解机器学习中的参数估计与非参数技术
本文深入探讨了机器学习中的参数估计和非参数技术,特别是最大似然估计和贝叶斯估计,以及如何在隐马尔可夫模型(HMM)中应用这些技术。文章详细解释了概率密度函数、参数向量的优化过程,以及如何通过观测数据来估计模型参数。此外,还探讨了在处理序列数据时,前向和后向算法如何结合使用来计算序列概率,并讨论了非参数技术中的Parzen窗口方法,以及如何通过核函数估计概率密度。
23、机器学习中的参数估计与概率建模
本文深入探讨了机器学习中的参数估计与概率建模方法,包括最大似然估计(MLE)、最大后验估计(MAP)、贝叶斯推理以及潜变量模型。文章详细介绍了这些方法的理论基础、计算流程,并通过对比分析和实际案例展示了它们在处理数据不确定性和模型优化中的应用。此外,还讨论了过拟合、欠拟合问题以及如何利用先验知识提高模型性能。通过系统性的讲解与实例分析,为读者提供了全面理解参数估计与概率建模的框架和实践指导。
图形处理/算法
19,463
社区成员
50,678
社区内容
发帖
与我相关
我的任务
图形处理/算法
VC/MFC 图形处理/算法
复制链接
扫一扫
分享
社区描述
VC/MFC 图形处理/算法
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章