求类似Voronoi图的混合区域算法，计算特定2D点的参考点占比

以下几种算法可以满足你的需求，核心都是基于距离计算实现加权分配，输入2D点即可得到对应各参考点的归属百分比：

1. 逆距离加权（Inverse Distance Weighting, IDW） #

这是最直接的实现方式，通过点之间的距离倒数分配权重：

• 计算逻辑：
  • 设输入点为 ( P )，参考点集合为 ( {P_1, P_2, ..., P_n} )
  • 计算 ( P ) 到每个参考点 ( P_i ) 的欧氏距离 ( d_i )
  • 定义权重 ( w_i = \frac{1}{d_i^k} )（( k ) 为衰减系数，通常取2，值越大，近点的权重占比越高）
  • 归一化得到百分比：( \text{percent}i = \frac{w_i}{\sum{j=1}^n w_j} )
• 注意：若输入点与某参考点重合，直接给该参考点100%归属，其余为0，避免距离为0的除零问题。

2. 模糊Voronoi图（Fuzzy Voronoi Diagram） #

专为解决传统Voronoi图硬边界问题设计，引入模糊归属逻辑：

• 常见计算方式：
  • 基于距离差：( \text{percent}i = \frac{\max(0, d{\text{min}} - d_i + \alpha)}{\sum_{j=1}^n \max(0, d_{\text{min}} - d_j + \alpha)} )，其中 ( d_{\text{min}} ) 是输入点到最近参考点的距离，( \alpha ) 用于控制过渡区域的宽度
  • 基于高斯函数：( \text{percent}_i = \frac{e^{-\beta d_i^{2}}{\sum_{j=1}}n e^{-\beta d_j^2}} )，( \beta ) 值越大，过渡区域越窄，归属度的边界越接近传统Voronoi的硬分割

3. 径向基函数（Radial Basis Function, RBF）插值 #

如果需要更平滑的过渡效果，可采用此类方法：

• 选择合适的径向基函数（如高斯函数、多重二次函数），将输入点到各参考点的距离代入函数得到初始权重，再归一化得到百分比。例如高斯RBF的计算逻辑和模糊Voronoi的高斯版本类似，但可通过调整基函数参数精细控制过渡平滑度。

你可以根据对过渡效果的具体需求，调整对应算法的参数来匹配预期。

内容的提问来源于stack exchange，提问作者CptHavvock