多边形变形：确保内部顶点始终处于边界范围内

1. 重心坐标映射法 #

• 适用场景：初始边界为凸多边形（符合你的限定条件），目标边界可凸可凹
• 原理：把内部顶点的位置转换成初始边界顶点的线性组合权重（重心坐标），再用该权重结合目标边界顶点坐标，计算内部顶点的目标位置
• 优势：实现简单，能保证内部顶点始终处于目标边界内部，无需关注变形中间步骤
• 关键步骤：
  • 计算内部顶点在初始凸多边形中的重心权重
  • 代入目标边界顶点坐标，推导内部顶点的最终位置

2. 径向基函数（RBF）插值法 #

• 适用场景：目标边界为凸或凹多边形，需保留原内部顶点的相对形状关系
• 原理：以边界顶点的起止坐标为控制点，构建薄板样条（TPS）等径向基函数的插值场，对内部顶点做坐标映射
• 优势：变形结果平滑自然，无需依赖初始凸性的额外限制
• 关键提示：TPS是这类场景下的首选基函数，能较好保留局部几何特征

3. 重新三角化法 #

• 适用场景：对原内部顶点位置无保留需求，仅需适配目标边界的三角化结构
• 原理：直接基于目标边界顶点，用Delaunay三角化算法重新生成内部网格
• 优势：完全适配目标边界，无需处理原内部顶点的映射问题，生成的三角网格质量较高

重心坐标映射示例 #

import numpy as np

def compute_barycentric(vertex, boundary_vertices):
    n = len(boundary_vertices)
    # 构建线性方程组求解重心权重
    A = np.vstack([boundary_vertices.T, np.ones(n)])
    b = np.array([vertex[0], vertex[1], 1])
    weights = np.linalg.lstsq(A.T, b, rcond=None)[0]
    weights /= np.sum(weights)  # 归一化确保权重和为1
    return weights

def map_to_target(weights, target_boundary):
    return np.dot(weights, target_boundary)

# 测试代码
start_boundary = np.array([[0,0], [1,0], [1,1], [0,1]])
target_boundary = np.array([[0,0], [2,0], [2,2], [0,3]])
internal_vertex = np.array([0.5, 0.5])

weights = compute_barycentric(internal_vertex, start_boundary)
target_internal = map_to_target(weights, target_boundary)
print(target_internal)

TPS径向基函数插值示例 #

import numpy as np
from scipy.interpolate import Rbf

# 边界顶点起止坐标
start_points = np.array([[0,0], [1,0], [1,1], [0,1]])
target_points = np.array([[0,0], [2,0], [2,2], [0,3]])

# 创建TPS插值器
rbf_x = Rbf(start_points[:,0], start_points[:,1], target_points[:,0], function='thin_plate')
rbf_y = Rbf(start_points[:,0], start_points[:,1], target_points[:,1], function='thin_plate')

# 映射内部顶点
internal_points = np.array([[0.5, 0.5], [0.25, 0.75]])
target_x = rbf_x(internal_points[:,0], internal_points[:,1])
target_y = rbf_y(internal_points[:,0], internal_points[:,1])
target_internal = np.column_stack((target_x, target_y))
print(target_internal)

Delaunay重新三角化示例 #

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

# 目标边界顶点（需按顺序构成简单多边形）
target_boundary = np.array([[0,0], [2,0], [2,2], [0,3]])
# 生成目标边界内的内部点
np.random.seed(42)
internal_points = np.random.rand(10, 2) * np.array([2, 3])

# 过滤边界外的点
tri = Delaunay(target_boundary)
valid_internal = internal_points[tri.find_simplex(internal_points) != -1]

# 合并顶点并重新三角化
all_points = np.vstack([target_boundary, valid_internal])
final_tri = Delaunay(all_points)

# 可视化结果
plt.triplot(all_points[:,0], all_points[:,1], final_tri.simplices)
plt.plot(target_boundary[:,0], target_boundary[:,1], 'ro')
plt.plot(valid_internal[:,0], valid_internal[:,1], 'bo')
plt.show()

• 《计算机图形学原理及实践》：详细讲解重心坐标、插值变形和三角化算法的原理与工程实现
• 《Thin Plate Splines for Image Warping》：TPS径向基函数变形的经典论文，可深入理解插值逻辑

内容的提问来源于stack exchange，提问作者TheFamousRat