多组二维坐标的适当相似性度量

任何解决方案的第一步似乎都是找到每个形状的形心或其他参考点,以便无论绝对位置如何,都可以对它们进行比较。

想到的一种算法是从离质心最近的点开始,走到离质心最近的点。比较正在比较的集之间这些相邻点(从质心)的偏移。继续走到质心的下一个最近的邻居,或之前比较的最近的尚未比较的邻居,并跟踪总差(可能是rms?)在两个形状之间。此外,在这个过程的每个步骤中,都要计算旋转偏移量,以使两个形状最接近对齐[镜像是否也会影响它?]完成后,每对集合都有三个值,包括它们的直接相似性、它们的相对旋转偏移量(仅当它们在旋转后紧密匹配时才有用)以及它们在旋转后的相似性。

尝试k-means算法。它动态计算每个簇的质心,计算到所有指针的距离,并将它们关联到最近的簇。

由于集群是基于接近形状度量的,所以可能需要某种形式的连接组件标签。联合查找可以为您提供一个快速的基本集原语。

仅对于联合,从不同集合中的每一个点开始,如果它们满足某种近邻标准,则合并它们,因为这对您来说似乎很重要,因为它们受局部共同近邻的影响。然后继续合并,直到您通过一些超过阈值的条件,了解合并有多困难。如果您将其视为线增长(只在其末端连接事物),那么一些数据结构将变得更简单。你所有的星团都是开放的直线和曲线吗?没有闭合的曲线,比如圆?

交叉线更难纠正,要么你必须找到某种方法合并然后分割,要么你设置合并标准以非常有利于共线性,然后你在交叉线上运气好。