如果我有细胞的坐标，如何找到 voronoi 细胞的种子？

Question

我想计算 voronoi 单元的顶点与该特定单元的种子之间的距离。 但是，我无法弄清楚如何获得该特定单元格的种子坐标。 我在这里给出了我的代码，它生成了一个单元格坐标数组。 谁能告诉我如何找到特定细胞的相应种子？

import numpy as np
import freud
import matplotlib
import matplotlib.pyplot as plt
import freud.box
import matplotlib.pyplot as plt

points = np.array([
    [-2, 2, 0],
    [2, 4, 0],
    [-2, 3, 0],
    [3, 5, 0]])

box = freud.box.Box(10,12, is2D= True )
voro = freud.locality.Voronoi()
cells= voro.compute((box, points)).polytopes
print(cells)
plt.figure()
ax = plt.gca()
ax.scatter(points[:, 0], points[:, 1], c= 'k')
voro.plot(ax=ax)
plt.show()

此代码的 output 是下面的 plot 并且 print(cells) 打印单元格顶点的坐标，如下所示。

[array([[-6.46875   , -1.40625   ,  0.        ],
       [-2.7       , -3.5       ,  0.        ],
       [-1.3       , -3.5       ,  0.        ],
       [ 2.26086957, -1.52173913,  0.        ],
       [ 0.25      ,  2.5       ,  0.        ],
       [-5.1       ,  2.5       ,  0.        ],
       [-5.25      ,  2.25      ,  0.        ]]), array([[ 0.25      ,  2.5       ,  0.        ],
       [ 2.26086957, -1.52173913,  0.        ],
       [ 3.53125   , -1.40625   ,  0.        ],
       [ 4.75      ,  2.25      ,  0.        ],
       [-1.16666667,  8.16666667,  0.        ]]), array([[-5.1       ,  2.5       ,  0.        ],
       [ 0.25      ,  2.5       ,  0.        ],
       [-1.16666667,  8.16666667,  0.        ],
       [-1.3       ,  8.5       ,  0.        ],
       [-2.7       ,  8.5       ,  0.        ]]), array([[ 4.75      ,  2.25      ,  0.        ],
       [ 4.9       ,  2.5       ,  0.        ],
       [ 7.3       ,  8.5       ,  0.        ],
       [ 3.53125   , 10.59375   ,  0.        ],
       [ 2.26086957, 10.47826087,  0.        ],
       [-1.3       ,  8.5       ,  0.        ],
       [-1.16666667,  8.16666667,  0.        ]])]

我想计算每个单元格的顶点到种子的距离，如图中的线条所示。

Answer 1

这是使用 scipy.spatial.Voronoi 的示例：

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from scipy.spatial import Voronoi, voronoi_plot_2d

points = np.array([
    [-2, 2],
    [2, 4],
    [1, 3],
    [-2, 3],
    [3, 5],
    [-1, 5],
    [2, 1]]
    )

vor = Voronoi(points)

print("Coordinates of point 2:")
print(vor.points[2])

print("Region for point 2:")
print(vor.point_region[2])

print("Vertices for region:")
print(vor.regions[vor.point_region[2]])

print("Coordinates of Voronoi vertices:")
print(vor.vertices[vor.regions[vor.point_region[2]]])

for vert in vor.vertices[vor.regions[vor.point_region[2]]]:
    distance = np.linalg.norm(vor.points[2]-vert)
    print("Distance between " + str(vor.points[2]) + " and " + str(vert) + " is " + str(distance))

fig = voronoi_plot_2d(vor)

plt.gca().set_aspect('equal')

plt.show()

Output 运行代码为：

Coordinates of point 2:
[1. 3.]
Region for point 2:
4
Vertices for region:
[6, 4, 2, 0, 5]
Coordinates of Voronoi vertices:
[[-0.5         3.5       ]
 [ 0.5         4.5       ]
 [ 2.5         2.5       ]
 [-0.07142857  1.21428571]
 [-0.5         2.5       ]]
Distance between [1. 3.] and [-0.5  3.5] is 1.5811388300841898
Distance between [1. 3.] and [0.5 4.5] is 1.5811388300841898
Distance between [1. 3.] and [2.5 2.5] is 1.5811388300841898
Distance between [1. 3.] and [-0.07142857  1.21428571] is 2.0824828195876073
Distance between [1. 3.] and [-0.5  2.5] is 1.5811388300841898

生成的 Voronoi 图包含一些要遍历的数据结构，以将种子点与单元的 Voronoi 顶点相关联。 具体来说：

1. point_region将点（种子）索引转换为区域数组中的关联索引
2. regions包含给定单元格的 Voronoi 顶点的索引列表
3. vertices包含 Voronoi 单元的顶点坐标

在上面的代码中，计算了下面显示的 Voronoi 图，并为图中心的 Voronoi 单元计算了种子点和顶点之间的距离。