OpenCV数字图像处理——检测出图像中的几何形状并测量出边长、直径、内角

2023-12-02 18:30
文章标签 图像 opencv 检测 直径 几何 边长 形状 数字图像处理 测量 内角

本文主要是介绍OpenCV数字图像处理——检测出图像中的几何形状并测量出边长、直径、内角，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、简介

在传统的自动化生产尺寸测量中，常用的方法是利用卡尺或千分尺对被测工件的某个参数进行多次测量，并取这些测量值的平均值。然而，这些传统的检测设备或手动测量方法存在着一些问题：测量精度不高、测量速度缓慢，以及测量数据无法及时处理等。这些局限性导致无法满足大规模自动化生产的需求。

相比之下，基于机器视觉技术的尺寸测量方法具有以下优点：

  1. 成本低: 机器视觉设备相对传统设备成本较低，而且在某些情况下，可以使用普通的摄像头。
  2. 精度高: 机器视觉系统能够提供高精度的测量结果，可达到微米级别的精度。
  3. 非接触性: 不需要物理接触被测量物体，避免了对物体的损伤或变形。
  4. 实时性: 可以实时获取测量结果，提高生产效率并及时发现问题。
  5. 灵活性: 机器视觉系统可适应不同形状和尺寸的工件，具有较强的适应性和灵活性。

在自动化制造行业中，机器视觉技术广泛应用于工件尺寸测量。通过机器视觉系统，可以测量工件的长度、直径、角度、曲率等多个尺寸参数，甚至可以检测产品的相关区域的基本几何特征。这种技术不仅能够实时获取产品的尺寸参数，还能够进行在线实时判定和分拣，对自动化生产起到重要作用。

基于机器视觉的应用已涵盖下面几个领域：

1. 医学影像学
  • 测量肿瘤或器官尺寸： 利用医学影像处理技术测量肿瘤或器官在医学图像中的尺寸。
2. 工程和制造
  • 检测零件尺寸： 在制造业中检测工件的尺寸和缺陷，确保产品质量和精度。
  • 装配和定位： 使用图像处理技术进行装配和定位，确保零件正确放置和对齐。
3. 地理信息系统（GIS）和遥感
  • 测量地表特征： 在GIS中，使用遥感图像测量地表特征的面积和分布。
  • 地形测量： 利用数字高程模型（DEM）和遥感技术测量地形高度和地势。
4. 农业和环境科学
  • 植被分析： 对农作物生长和土地利用进行分析和评估。
  • 土地利用测量： 使用图像处理技术测量农田、森林覆盖率和土地利用类型。
5. 机器视觉和自动化
  • 产品检测和测量： 在自动化制造中使用图像处理技术检测和测量产品尺寸和位置。
  • 导航和定位： 在自动驾驶和机器人导航中使用图像来感知环境和进行定位。

在本文中，不涉及对相机与镜头如何选型，相机镜头角度（水平视角、垂直视角、对角线）误差、相机安装高度、检测视野、测量精度、光源和滤光片选择等这些关于硬件设备知识。如果想深入地探究的讨论这些硬件主题，可以私信博主。

二、测量流程与原理

1、项目流程

先看整体项目实现的流程，整个流程最重要应该是目标分割这块，如果不分割好，到后面做什么处理都没有什么意义，目标可以使用传统图像处理来分割，也可以基于深度学习的语义分割来实现。
在这里插入图片描述
基于深度学习和传统图像处理方法之间区别：

  1. 特征提取方法：

  • 传统图像处理： 传统方法主要依赖于手工设计的特征提取器，如边缘检测器、滤波器等。这些方法通常需要对数字处理有专业知识才能选择和设计适当的特征提取方式。

  • 深度学习： 深度学习模型能够自动地从数据中学习到最优的特征表示。卷积神经网络（CNN）等深度学习架构可以学习到图像中的抽象特征，无需手动设计特征提取器。

  1. 数据需求量：

  • 传统图像处理： 传统方法对于特征的提取和处理通常需要有关专门领域的预定义知识，有时需要大量手动标注的数据。

  • 深度学习： 深度学习方法对于大规模数据集的需求更为显著，尤其是需要大量标记的数据以训练复杂的深度神经网络。

  1. 通用性和灵活性：

  • 传统图像处理： 传统方法通常针对特定问题设计，因此在其他问题上可能不具备通用性，场景泛化能力差。

  • 深度学习： 深度学习模型可以更好地泛化到未见过的数据，并在不同领域中展现出更强的通用性和灵活性。

  1. 调参和复杂性：

  • 传统图像处理： 传统方法通常需要手动调整参数和特征提取器的设计，这需要代码人员具有专业图像处理知识和经验。

  • 深度学习： 深度学习模型通常有更多的超参数需要调整，并且相对更复杂。因此，训练深度学习模型可能需要更多的计算资源和时间。

  1. 适用范围：

  • 传统图像处理： 传统方法在某些特定任务上仍然具有优势，例如简单的图像滤波、边缘检测等领域。

  • 深度学习： 深度学习在许多领域取得了重大突破，例如图像分类、物体检测、分割、生成对抗网络等，使得在复杂问题上取得了更好的表现。

2.长度测量

图像里面的线段测量，首先要理解“每度量比的像素”（pixels per metric ratio），它类似于比例尺，通过已知图像上一个对象的尺寸和该对象在图像中所占像素的数量，可以得到一个比例关系，从而可以将其他物体的像素转换为实际度量单位（如厘米、毫米等）。

关键属性包括：

  1. 已知长度：需要知道图像中一个物体的实际长度，通常是以某种可测量的单位（例如毫米、英寸等）来表示。
  2. 像素数量：该已知长度物体在图像中所占据的像素数。这可以通过在图像中测量该物体的像素宽度或高度来获取。

有了这两个属性，就可以计算出每个度量单位所对应的像素数。这个比例关系将图像中的像素转换为实际的度量单位，从而可以测量其他物体的大小或长度。
在这里插入图片描述
“Known length in pixels” 是图像中已知长度参考物体所占据的像素数，“Known length in metrics” 是已知长度参考物体的实际尺寸。

3、角度测量

在角度测量中，首先要明确一个定理，几何形状和其中的角度大小是与图像的比例无关的。在几何学中，角度的大小是由几何形状的内部构造和相对位置所确定的，而不受图像的放大或缩小影响。
当图像被放大或缩小时，图像中的对象尺寸和比例会改变，但这并不影响对象之间的相对位置和角度的大小。换句话说，图像的尺寸变化并不会改变对象内部的角度测量。
例如，如果一个图像中有一个特定角度的三角形，在放大或缩小图像的过程中，三角形内部的角度大小将保持不变。无论图像是多大还是多小，角度大小都取决于三角形的内部构造和边的相对位置，而不是取决于图像的尺寸或比例。由于角度在图像尺寸的变化过程中保持不变，图像中的角度测量就不用参照另外的参数。

三、代码实现

为了方便理解，这里实现所用的代码都是基于传统数字图像处理，实现依赖库是OpenCV,实现语言是Python，如果要应用到实际生产环境当中，这套方法并不是最可靠的，最好是选择使用流程图里面提到的基于深度学习的方法。

代码的实现是识别与测量放在一张A4纸上的所有几何图形的边长，内角值，直径，圆心。

1.数据处理

首先使用手机拍几张A4纸，纸上放着想要测量的几何图形目标，如下图：
在这里插入图片描述
使用代码把图像中的A4区域切出来：

from pyimagesearch import transform
from pyimagesearch import imutils
from matplotlib.patches import Polygon
import polygon_interacter as poly_i
import numpy as np
import matplotlib.pyplot as plt
import itertools
import math
import cv2
from pylsd.lsd import lsdfrom scipy.spatial import distance as distdef midpoint(ptA, ptB):return ((ptA[0] + ptB[0]) * 0.5, (ptA[1] + ptB[1]) * 0.5)class DocScanner(object):"""An image scanner"""def __init__(self, interactive=False, MIN_QUAD_AREA_RATIO=0.25, MAX_QUAD_ANGLE_RANGE=40):self.interactive = interactiveself.MIN_QUAD_AREA_RATIO = MIN_QUAD_AREA_RATIOself.MAX_QUAD_ANGLE_RANGE = MAX_QUAD_ANGLE_RANGE        def filter_corners(self, corners, min_dist=20):"""Filters corners that are within min_dist of others"""def predicate(representatives, corner):return all(dist.euclidean(representative, corner) >= min_distfor representative in representatives)filtered_corners = []for c in corners:if predicate(filtered_corners, c):filtered_corners.append(c)return filtered_cornersdef angle_between_vectors_degrees(self, u, v):"""Returns the angle between two vectors in degrees"""return np.degrees(math.acos(np.dot(u, v) / (np.linalg.norm(u) * np.linalg.norm(v))))def get_angle(self, p1, p2, p3):a = np.radians(np.array(p1))b = np.radians(np.array(p2))c = np.radians(np.array(p3))avec = a - bcvec = c - breturn self.angle_between_vectors_degrees(avec, cvec)def angle_range(self, quad):tl, tr, br, bl = quadura = self.get_angle(tl[0], tr[0], br[0])ula = self.get_angle(bl[0], tl[0], tr[0])lra = self.get_angle(tr[0], br[0], bl[0])lla = self.get_angle(br[0], bl[0], tl[0])angles = [ura, ula, lra, lla]return np.ptp(angles)          def get_corners(self, img):lines = lsd(img)corners = []if lines is not None:# separate out the horizontal and vertical lines, and draw them back onto separate canvaseslines = lines.squeeze().astype(np.int32).tolist()horizontal_lines_canvas = np.zeros(img.shape, dtype=np.uint8)vertical_lines_canvas = np.zeros(img.shape, dtype=np.uint8)for line in lines:x1, y1, x2, y2, _ = lineif abs(x2 - x1) > abs(y2 - y1):(x1, y1), (x2, y2) = sorted(((x1, y1), (x2, y2)), key=lambda pt: pt[0])cv2.line(horizontal_lines_canvas, (max(x1 - 5, 0), y1), (min(x2 + 5, img.shape[1] - 1), y2), 255, 2)else:(x1, y1), (x2, y2) = sorted(((x1, y1), (x2, y2)), key=lambda pt: pt[1])cv2.line(vertical_lines_canvas, (x1, max(y1 - 5, 0)), (x2, min(y2 + 5, img.shape[0] - 1)), 255, 2)lines = []# find the horizontal lines (connected-components -> bounding boxes -> final lines)(contours, hierarchy) = cv2.findContours(horizontal_lines_canvas, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)contours = sorted(contours, key=lambda c: cv2.arcLength(c, True), reverse=True)[:2]horizontal_lines_canvas = np.zeros(img.shape, dtype=np.uint8)for contour in contours:contour = contour.reshape((contour.shape[0], contour.shape[2]))min_x = np.amin(contour[:, 0], axis=0) + 2max_x = np.amax(contour[:, 0], axis=0) - 2left_y = int(np.average(contour[contour[:, 0] == min_x][:, 1]))right_y = int(np.average(contour[contour[:, 0] == max_x][:, 1]))lines.append((min_x, left_y, max_x, right_y))cv2.line(horizontal_lines_canvas, (min_x, left_y), (max_x, right_y), 1, 1)corners.append((min_x, left_y))corners.append((max_x, right_y))# find the vertical lines (connected-components -> bounding boxes -> final lines)(contours, hierarchy) = cv2.findContours(vertical_lines_canvas, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)contours = sorted(contours, key=lambda c: cv2.arcLength(c, True), reverse=True)[:2]vertical_lines_canvas = np.zeros(img.shape, dtype=np.uint8)for contour in contours:contour = contour.reshape((contour.shape[0], contour.shape[2]))min_y = np.amin(contour[:, 1], axis=0) + 2max_y = np.amax(contour[:, 1], axis=0) - 2top_x = int(np.average(contour[contour[:, 1] == min_y][:, 0]))bottom_x = int(np.average(contour[contour[:, 1] == max_y][:, 0]))lines.append((top_x, min_y, bottom_x, max_y))cv2.line(vertical_lines_canvas, (top_x, min_y), (bottom_x, max_y), 1, 1)corners.append((top_x, min_y))corners.append((bottom_x, max_y))# find the cornerscorners_y, corners_x = np.where(horizontal_lines_canvas + vertical_lines_canvas == 2)corners += zip(corners_x, corners_y)# remove corners in close proximitycorners = self.filter_corners(corners)return cornersdef is_valid_contour(self, cnt, IM_WIDTH, IM_HEIGHT):"""Returns True if the contour satisfies all requirements set at instantitation"""return (len(cnt) == 4 and cv2.contourArea(cnt) > IM_WIDTH * IM_HEIGHT * self.MIN_QUAD_AREA_RATIO and self.angle_range(cnt) < self.MAX_QUAD_ANGLE_RANGE)def get_contour(self, rescaled_image):# these constants are carefully chosenMORPH = 9CANNY = 84HOUGH = 25IM_HEIGHT, IM_WIDTH, _ = rescaled_image.shape# convert the image to grayscale and blur it slightlygray = cv2.cvtColor(rescaled_image, cv2.COLOR_BGR2GRAY)gray = cv2.GaussianBlur(gray, (7,7), 0)# dilate helps to remove potential holes between edge segmentskernel = cv2.getStructuringElement(cv2.MORPH_RECT,(MORPH,MORPH))dilated = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)# find edges and mark them in the output map using the Canny algorithmedged = cv2.Canny(dilated, 0, CANNY)test_corners = self.get_corners(edged)approx_contours = []if len(test_corners) >= 4:quads = []for quad in itertools.combinations(test_corners, 4):points = np.array(quad)points = transform.order_points(points)points = np.array([[p] for p in points], dtype = "int32")quads.append(points)# get top five quadrilaterals by areaquads = sorted(quads, key=cv2.contourArea, reverse=True)[:5]# sort candidate quadrilaterals by their angle range, which helps remove outliersquads = sorted(quads, key=self.angle_range)approx = quads[0]if self.is_valid_contour(approx, IM_WIDTH, IM_HEIGHT):approx_contours.append(approx)# also attempt to find contours directly from the edged image, which occasionally # produces better results(cnts, hierarchy) = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[:5]# loop over the contoursfor c in cnts:# approximate the contourapprox = cv2.approxPolyDP(c, 80, True)if self.is_valid_contour(approx, IM_WIDTH, IM_HEIGHT):approx_contours.append(approx)break# If we did not find any valid contours, just use the whole imageif not approx_contours:TOP_RIGHT = (IM_WIDTH, 0)BOTTOM_RIGHT = (IM_WIDTH, IM_HEIGHT)BOTTOM_LEFT = (0, IM_HEIGHT)TOP_LEFT = (0, 0)screenCnt = np.array([[TOP_RIGHT], [BOTTOM_RIGHT], [BOTTOM_LEFT], [TOP_LEFT]])else:screenCnt = max(approx_contours, key=cv2.contourArea)return screenCnt.reshape(4, 2)def interactive_get_contour(self, screenCnt, rescaled_image):poly = Polygon(screenCnt, animated=True, fill=False, color="yellow", linewidth=5)fig, ax = plt.subplots()ax.add_patch(poly)ax.set_title(('Drag the corners of the box to the corners of the document. \n''Close the window when finished.'))p = poly_i.PolygonInteractor(ax, poly)plt.imshow(rescaled_image)plt.show()new_points = p.get_poly_points()[:4]new_points = np.array([[p] for p in new_points], dtype = "int32")return new_points.reshape(4, 2)def scan(self, cv_src):RESCALED_HEIGHT = 500.0ratio = cv_src.shape[0] / RESCALED_HEIGHTorig = cv_src.copy()rescaled_image = imutils.resize(cv_src, height = int(RESCALED_HEIGHT))# get the contour of the documentscreenCnt = self.get_contour(rescaled_image)if self.interactive:screenCnt = self.interactive_get_contour(screenCnt, rescaled_image)# apply the perspective transformationwarped = transform.four_point_transform(orig, screenCnt * ratio)return warpedif __name__ == "__main__":interactive_mode = 'store_true'scanner = DocScanner(interactive_mode)cv_src = cv2.imread('1.JPG')cv_dst = scanner.scan(cv_src)cv2.namedWindow('dst',0)cv2.imshow('dst',cv_dst)cv2.waitKey()

在这里插入图片描述

2.分割出图像里面的几何图形

	cv_src = cv_or.copy()dis_ref = dist.euclidean((start_point[0], start_point[1]), (end_point[0], end_point[1]))blurred_image = cv2.GaussianBlur(cv_src, (11, 11), 0)cv_gray = cv2.cvtColor(blurred_image, cv2.COLOR_BGR2GRAY)_, threshold = cv2.threshold(cv_gray, 100, 255, cv2.THRESH_BINARY)# threshold = cv2.adaptiveThreshold(cv_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25,1)# cv2.namedWindow('th',0)# cv2.imshow('th',threshold)# cv2.waitKey()kernel = np.ones((13, 13), np.uint8)# closed_image = cv2.morphologyEx(threshold, cv2.MORPH_CLOSE, kernel)opened_image = cv2.morphologyEx(threshold, cv2.MORPH_OPEN, kernel)erosion = cv2.erode(~opened_image, (3,3), iterations=1)# cv2.imshow('op',erosion)

在这里插入图片描述

3.识别几何图形

import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('shapes.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 阈值化图像
_, thresh = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY)# 查找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)for contour in contours:# 计算轮廓的逼近多边形approx = cv2.approxPolyDP(contour, 0.04 * cv2.arcLength(contour, True), True)# 区分形状if len(approx) == 3:shape = "Triangle"elif len(approx) == 4:shape = "Rectangle"else:shape = "Circle"# 在图像上绘制轮廓和形状名称cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)cv2.putText(image, shape, (contour[0][0][0], contour[0][0][1]), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)# 显示结果图像
cv2.imshow("Shapes", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

4.线段长度测量

def measure_length(line,width,dis_ref):distance = dist.euclidean((line[0][0],line[0][1]), (line[1][0],line[1][1]))pixelsPerMetric = dis_ref / widthdim = distance / pixelsPerMetricmidpoint = ((line[0][0] + line[1][0]) // 2, (line[0][1] + line[1][1]) // 2)return dim,midpoint

5.角度测量

#获取两条线的角度，返回角度值与交点
def measure_angle(line1,line2):slope1 = (line1[1][1] - line1[0][1]) / (line1[1][0] - line1[0][0])  # 斜率1slope2 = (line2[1][1] - line2[0][1]) / (line2[1][0] - line2[0][0])  # 斜率2# 计算交点x_intersect = (slope1 * line1[0][0] - slope2 * line2[0][0] + line2[0][1] - line1[0][1]) / (slope1 - slope2)y_intersect = slope1 * (x_intersect - line1[0][0]) + line1[0][1]# 计算两条线之间的角度（弧度）angle_rad = np.arctan(abs((slope2 - slope1) / (1 + slope1 * slope2)))# 将弧度转换为角度angle_deg = np.degrees(angle_rad)angle = round(angle_deg, 1)return angle,(int(x_intersect), int(y_intersect))

测试效果:
在这里插入图片描述

这篇关于OpenCV数字图像处理——检测出图像中的几何形状并测量出边长、直径、内角的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/446362。

相关文章

基于人工智能的图像分类系统

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务，目标是自动识别图像中的对象类别。通过卷积神经网络（CNN）等深度学习技术，我们可以构建高效的图像分类系统，广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统，包括环境
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
zoj3820(树的直径的应用)

zoj3820(树的直径的应用)

题意：在一颗树上找两个点，使得所有点到选择与其更近的一个点的距离的最大值最小。 思路：如果是选择一个点的话，那么点就是直径的中点。现在考虑两个点的情况，先求树的直径，再把直径最中间的边去掉，再求剩下的两个子树中直径的中点。 代码如下： #include <stdio.h>#include <string.h>#include <algorithm>#include <map>#
阅读更多...
uva 10387 Billiard（简单几何）

uva 10387 Billiard（简单几何）

题意是一个球从矩形的中点出发，告诉你小球与矩形两条边的碰撞次数与小球回到原点的时间，求小球出发时的角度和小球的速度。 简单的几何问题，小球每与竖边碰撞一次，向右扩展一个相同的矩形；每与横边碰撞一次，向上扩展一个相同的矩形。 可以发现，扩展矩形的路径和在当前矩形中的每一段路径相同，当小球回到出发点时，一条直线的路径刚好经过最后一个扩展矩形的中心点。 最后扩展的路径和横边竖边恰好组成一个直
阅读更多...
烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集，专门用于烟火目标检测，是一个非常有价值的资源，尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍： 数据集名称：烟火目标检测数据集 数据集规模： 图片数量：7800张类别：主要包含烟火类目标，可能还包括其他相关类别，如烟火发射装置、背景等。格式：图像文件通常为JPEG或PNG格式；标注文件可能为X
阅读更多...
poj 1113 凸包+简单几何计算

poj 1113 凸包+简单几何计算

题意： 给N个平面上的点，现在要在离点外L米处建城墙，使得城墙把所有点都包含进去且城墙的长度最短。 解析： 韬哥出的某次训练赛上A出的第一道计算几何，算是大水题吧。 用convexhull算法把凸包求出来，然后加加减减就A了。 计算见下图： 好久没玩画图了啊好开心。 代码： #include <iostream>#include <cstdio>#inclu
阅读更多...
uva 1342 欧拉定理（计算几何模板）

uva 1342 欧拉定理（计算几何模板）

题意： 给几个点，把这几个点用直线连起来，求这些直线把平面分成了几个。 解析： 欧拉定理： 顶点数 + 面数 - 边数= 2。 代码： #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#inc
阅读更多...
XTU 1237 计算几何

XTU 1237 计算几何

题面： Magic Triangle Problem Description: Huangriq is a respectful acmer in ACM team of XTU because he brought the best place in regional contest in history of XTU. Huangriq works in a big compa
阅读更多...
poj 3304 几何

poj 3304 几何

题目大意：给出n条线段两个端点的坐标，问所有线段投影到一条直线上，如果这些所有投影至少相交于一点就输出Yes！，否则输出No！。 解题思路：如果存在这样的直线，过投影相交点（或投影相交区域中的点）作直线的垂线，该垂线（也是直线）必定与每条线段相交，问题转化为问是否存在一条直线和所有线段相交。 若存在一条直线与所有线段相交，此时该直线必定经过这些线段的某两个端点，所以枚举任意两个端点即可。
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2