Python使用SciPy高效计算与可视化凸包

安装依赖与初始化环境

使用scipy.spatial.ConvexHull进行凸包计算前，需确保环境中已安装scipy与matplotlib。该类接收一个形状为 (n, m) 的NumPy数组作为输入，其中 n 表示样本点数量，m 代表数据维度（如平面坐标为2，空间坐标为3）。

计算基础二维凸包并绘图

构造随机二维点集后，直接传入实例化对象即可完成计算。返回结果中包含构成凸包边界的点索引序列，遍历该序列即可在图表中连线标记。

from scipy.spatial import ConvexHull
import matplotlib.pyplot as plt
import numpy as np

pts = np.random.rand(30, 2)
hull = ConvexHull(pts)

plt.plot(pts[:, 0], pts[:, 1], 'o')
for i in hull.simplices:
    plt.plot(pts[i, 0], pts[i, 1], 'k-')

plt.show()

进阶选项与可见性筛选

构造函数支持布尔型参数 incremental=True，开启后可逐步向集合中追加新点以动态更新凸包。此外，可通过 qhull_options 传入底层QHull指令。例如使用 'QGn' 格式可将第 n 个点设为观测源，系统会自动计算哪些内部连接属于“可见”状态，并在结果对象的 .good 属性中标记。n 为点在完整数据集（含观测点）中的行索引。

pts = np.random.rand(1000, 2)
# 追加一个外部观测点
pts = np.vstack([pts, np.array([[2, 0.5]])])

hull = ConvexHull(pts, qhull_options='QG1000')
plt.plot(pts[:, 0], pts[:, 1], '.')
for i in hull.simplices:
    plt.plot(pts[i, 0], pts[i, 1], 'k-')

# 仅绘制被判定为Good（可见）的边界段，加粗显示
for i in hull.simplices[hull.good]:
    plt.plot(pts[i, 0], pts[i, 1], lw=5)

plt.show()

拓展至三维及多维几何体

当维度提升至三维时，凸包表现为由若干三角形面片围成的多面体。对应的单形（Simplex）数量增加，此时需切换至Matplotlib的3D投影坐标系进行渲染。通过调节三角面片的透明度参数，可直观观察凸包壳体与内部散落点的空间位置关系。

pts = np.random.rand(30, 3)
hull = ConvexHull(pts)

ax = plt.subplot(projection='3d')
ax.scatter(pts[:, 0], pts[:, 1], pts[:, 2])
for i in hull.simplices:
    ax.plot_trisurf(pts[i, 0], pts[i, 1], pts[i, 2], alpha=0.5)

plt.show()

核心数据结构与属性解析

无论维度高低，计算所得的对象均提供一套标准化的几何描述字段，便于二次开发与物理仿真调用：

• points：参与计算的原始点集副本
• vertices：构成凸包顶点的原始数据索引列表
• simplices：描述超曲面（二维为线段，三维为三角形）构成的顶点组合索引
• neighbors：每个单形相邻单元的索引映射表
• equations：各超曲面的隐式平面方程系数矩阵

方程矩阵通常包含四列数据，分别对应法向量分量 A, B, C 以及常数项 D，满足线性方程形式 A*x + B*y + C*z + D = 0。控制台打印示例如下：

>>> hull.equations
array([[-0.5509472 ,  0.72386104, -0.41530999, -0.36369123],
       [-0.26155355,  0.16210178, -0.95147925,  0.02022163],
       [-0.99132368, -0.0460725 ,  0.12310441,  0.045523  ],
       ...])

以上就是利用Python配合SciPy库实现凸包计算与可视化的详细内容，更多关于空间几何建模与算法优化的资料请关注本站其它相关文章！