散点构成的复合几何形状轮廓提取：凸包方法失效的解决咨询

你用的ConvexHull（凸包）只能生成包裹所有点的最小凸多边形，而你生成的是两个部分重叠的正方形，整体属于凹结构，凸包自然无法贴合内部的凹陷区域，所以得到的是覆盖两个正方形的大轮廓，而非各自的形状。

针对这类多区域或凹形的点集，有两种实用解决思路：

思路1：先聚类拆分点集，再分别提取凸包 #

两个正方形的点是独立分布的，用聚类算法（比如DBSCAN）把不同正方形的点分开，再对每个聚类单独计算凸包即可。

实现代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import ConvexHull
from sklearn.cluster import DBSCAN

# 生成点集（与原代码一致）
square_size = 3
num_points = 200
square1_points = np.random.uniform(0, square_size, (num_points, 2))
square2_points = np.random.uniform(square_size - 1, 2 * square_size - 1, (num_points, 2))
combined_points = np.vstack((square1_points, square2_points))
df_points = pd.DataFrame(combined_points, columns=['x', 'y'])

# DBSCAN聚类拆分点集
dbscan = DBSCAN(eps=0.5, min_samples=10)
clusters = dbscan.fit_predict(combined_points)

# 可视化
fig, ax = plt.subplots(figsize=(7, 7))
ax.grid(False)
ax.scatter(df_points['x'], df_points['y'], color='red', s=10)

# 对每个聚类计算并绘制凸包
for cluster_label in np.unique(clusters):
    if cluster_label == -1:  # 跳过噪声点
        continue
    cluster_points = combined_points[clusters == cluster_label]
    hull = ConvexHull(cluster_points)
    for simplex in hull.simplices:
        ax.plot(cluster_points[simplex, 0], cluster_points[simplex, 1], 'b-', linewidth=4)

plt.show()

思路2：用Alpha形状（Alpha Hull）提取凹轮廓 #

如果是单个带凹陷的复杂形状，或者多个紧密连接的凹区域，Alpha形状能通过调整alpha值生成贴合细节的轮廓。

实现代码（需先安装依赖库） #

先执行安装命令：

pip install alphashape

再运行代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from alphashape import alphashape

# 生成点集（与原代码一致）
square_size = 3
num_points = 200
square1_points = np.random.uniform(0, square_size, (num_points, 2))
square2_points = np.random.uniform(square_size - 1, 2 * square_size - 1, (num_points, 2))
combined_points = np.vstack((square1_points, square2_points))
df_points = pd.DataFrame(combined_points, columns=['x', 'y'])

# 计算Alpha形状，alpha值需根据点集密度调整
alpha = 0.5
hull = alphashape(combined_points, alpha)

# 可视化
fig, ax = plt.subplots(figsize=(7, 7))
ax.grid(False)
ax.scatter(df_points['x'], df_points['y'], color='red', s=10)
# 绘制Alpha形状轮廓
ax.plot(*hull.exterior.xy, 'b-', linewidth=4)

plt.show()

• 聚类方法适合多个独立/重叠的几何区域，需调整DBSCAN的eps（邻域半径）和min_samples（最小样本数）适配点集密度。
• Alpha形状适合单个凹形或紧密连接的凹区域，alpha值越小，轮廓越贴合细节；值越大，越接近凸包。

内容的提问来源于stack exchange，提问作者Cruz