Arbre quadruple: Exploration des structures de données hiérarchiques pour l'analyse d'images
Par Fouad Sabry
()
À propos de ce livre électronique
Qu'est-ce que Quadtree
Un quadtree est une structure de données arborescente dans laquelle chaque nœud interne a exactement quatre enfants. Les quadtrees sont l'analogue bidimensionnel des octrees et sont le plus souvent utilisés pour partitionner un espace bidimensionnel en le subdivisant de manière récursive en quatre quadrants ou régions. Les données associées à une cellule feuille varient selon l'application, mais la cellule feuille représente une « unité d'information spatiale intéressante ».
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Quadtree
Chapitre 2 : Octree
Chapitre 3 : R-tree
Chapitre 4 : Arbre binaire
Chapitre 5 : B-tree
Chapitre 6 : Arborescence AVL
Chapitre 7 : Arbre rouge-noir
Chapitre 8 : Arbre de recherche binaire
Chapitre 9 : Tas binaire
Chapitre 10 : Arborescence des segments
(II) Répondre aux principales questions du public sur Quadtree.
(III) Exemples concrets d'utilisation de quadtree dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et tous ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de Quadtree.
En savoir plus sur Fouad Sabry
Technologies Émergentes en Agriculture [French]
Lié à Arbre quadruple
Titres dans cette série (100)
Cartographie des tons: Cartographie des tons : perspectives éclairantes en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur sous-marine: Explorer les profondeurs de la vision par ordinateur sous les vagues Évaluation : 0 sur 5 étoiles0 évaluationModèle de couleur: Comprendre le spectre de la vision par ordinateur : explorer les modèles de couleurs Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur: Explorer les profondeurs de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPeinture: Combler les lacunes de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationEspace colorimétrique: Explorer le spectre de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationÉgalisation d'histogramme: Amélioration du contraste de l'image pour une perception visuelle améliorée Évaluation : 0 sur 5 étoiles0 évaluationRéduction de bruit: Amélioration de la clarté et techniques avancées de réduction du bruit en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHistogramme d'image: Dévoilement d'informations visuelles, exploration des profondeurs des histogrammes d'images en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationContour actif: Faire progresser la vision par ordinateur grâce aux techniques de contour actif Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationVision stéréo par ordinateur: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMoindres carrés: Techniques d'optimisation pour la vision par ordinateur : méthodes des moindres carrés Évaluation : 0 sur 5 étoiles0 évaluationModèle d'apparence de couleur: Comprendre la perception et la représentation en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationEstimation de la pose du corps articulé: Déverrouiller le mouvement humain dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRétinex: Dévoiler les secrets de la vision informatique avec Retinex Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation Hadamard: Dévoilement de la puissance de la transformation Hadamard en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHistogramme des dégradés orientés: Dévoilement du domaine visuel : exploration de l'histogramme des dégradés orientés en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationCompression d'images: Techniques efficaces pour l'optimisation des données visuelles Évaluation : 0 sur 5 étoiles0 évaluationBanque de filtres: Aperçu des techniques de banque de filtres de Computer Vision Évaluation : 0 sur 5 étoiles0 évaluationChamp de mouvement: Explorer la dynamique de la vision par ordinateur : le champ de mouvement dévoilé Évaluation : 0 sur 5 étoiles0 évaluationModèle du système visuel humain: Comprendre la perception et le traitement Évaluation : 0 sur 5 étoiles0 évaluationCorrection gamma: Améliorer la clarté visuelle en vision par ordinateur : la technique de correction gamma Évaluation : 0 sur 5 étoiles0 évaluationFiltre adaptatif: Améliorer la vision par ordinateur grâce au filtrage adaptatif Évaluation : 0 sur 5 étoiles0 évaluationDétecteur de bord Canny: Dévoiler l'art de la perception visuelle Évaluation : 0 sur 5 étoiles0 évaluationPerception visuelle: Aperçu du traitement visuel informatique Évaluation : 0 sur 5 étoiles0 évaluation
Livres électroniques liés
Les tableaux croisés dynamiques avec Excel Évaluation : 0 sur 5 étoiles0 évaluationGraphiques raster: Comprendre les fondements des graphiques raster en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPrimitif Géométrique: Explorer les fondements et les applications de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationEspace à l'échelle: Explorer les dimensions en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationGraphique raster numérique: Dévoilement de la puissance des graphiques raster numériques dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRemplissage d'inondation: Flood Fill : Explorer le terrain dynamique de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVoxel: Explorer les profondeurs de la vision par ordinateur avec la technologie Voxel Évaluation : 0 sur 5 étoiles0 évaluationInfographie bidimensionnelle: Explorer le domaine visuel : l'infographie bidimensionnelle en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHachage géométrique: Algorithmes efficaces pour la reconnaissance et la correspondance d'images Évaluation : 0 sur 5 étoiles0 évaluationLes tableaux croisés dynamiques avec Excel: Pour aller plus loin dans votre utilisation d'Excel Évaluation : 0 sur 5 étoiles0 évaluationTenseur trifocal: Explorer la profondeur, le mouvement et la structure en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationAxe médial: Explorer le cœur de la vision par ordinateur : dévoiler l'axe médial Évaluation : 0 sur 5 étoiles0 évaluationInfographie Polygone: Explorer l'intersection de l'infographie polygonale et de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRendu de ligne de balayage: Explorer le réalisme visuel grâce aux techniques de rendu Scanline Évaluation : 0 sur 5 étoiles0 évaluationBien débuter avec Numbers: Formation professionnelle Évaluation : 0 sur 5 étoiles0 évaluationInfographie du sommet: Explorer l'intersection de l'infographie Vertex et de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationGénération de maillage: Avancées et applications dans la génération de maillage de vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationBois: Les Grands Articles d'Universalis Évaluation : 0 sur 5 étoiles0 évaluationOmbres: Explorer l'ombrage d'image dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationÉditeur de graphiques raster: Transformer les réalités visuelles : maîtriser les éditeurs graphiques raster en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDétection des bords: Explorer les limites de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle de sac de mots: Libérer l'intelligence visuelle avec un sac de mots Évaluation : 0 sur 5 étoiles0 évaluationSegmentation d'images: Libérer des informations grâce à Pixel Precision Évaluation : 0 sur 5 étoiles0 évaluationPerspective curviligne: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPartitionnement de l'espace binaire: Explorer le partitionnement de l'espace binaire : fondements et applications en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationÉditeur de graphiques vectoriels: Renforcer la création visuelle avec des algorithmes avancés Évaluation : 0 sur 5 étoiles0 évaluationHistogramme d'image: Dévoilement d'informations visuelles, exploration des profondeurs des histogrammes d'images en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à la topologie Évaluation : 0 sur 5 étoiles0 évaluation
Intelligence (IA) et sémantique pour vous
Travailler dans le Big Data - les 6 métiers vers lesquels s'orienter Évaluation : 5 sur 5 étoiles5/5Le guide du hacker : le guide simplifié du débutant pour apprendre les bases du hacking avec Kali Linux Évaluation : 5 sur 5 étoiles5/5Résumé Chatgpt ia Revolution in 2023: Guide de la Technologie Chatgpt et de son Impact Social Évaluation : 0 sur 5 étoiles0 évaluationMaîtriser ChatGPT : Libérez la puissance de l'IA pour améliorer la communication et les relations: French Évaluation : 0 sur 5 étoiles0 évaluationMaîtrisez ChatGPT : Du débutant à l'expert - Guide pratique pour exploiter la puissance de l'IA conversationnelle Évaluation : 0 sur 5 étoiles0 évaluationOsons l'IA à l'école: Préparons nos jeunes à la révolution de l'intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationHistoire et évolution de l'Intelligence Artificielle Évaluation : 5 sur 5 étoiles5/5Intelligence artificielle: la quatrième révolution industrielle Évaluation : 0 sur 5 étoiles0 évaluationMonétisation ChatGPT : Exploitez la Puissance de l'IA: ChatGPT Évaluation : 0 sur 5 étoiles0 évaluationMaîtrisez ChatGPT en 24 Heures: Apprenez à Utiliser ChatGPT en Seulement 24 Heures et Appliquez ses Avantages dans Tous les Aspects de Votre Vie Évaluation : 0 sur 5 étoiles0 évaluationL'art de la création d'images avec l'IA : Techniques, applications et défis éthiques Évaluation : 0 sur 5 étoiles0 évaluationL'intelligence mixte, vers une nouvelle forme d'intelligence Évaluation : 0 sur 5 étoiles0 évaluationChat GPT : Comment ça fonctionne et comment gagner avec l'utilisation de la technologie d'Intelligence Artificielle Évaluation : 0 sur 5 étoiles0 évaluationIA dans les Affaires: Guide Pratique de l'Utilisation de l'Intelligence Artificielle dans Divers Secteurs Évaluation : 0 sur 5 étoiles0 évaluationLa prophétie des anciens: Roman dystopique Évaluation : 0 sur 5 étoiles0 évaluationL’Empathie au Cœur de l’Intelligence Artificielle, Comment insérer de l’empathie dans les affaires et l’intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationComment Réussir sur Facebook en utilisant ChatGPT: Le pouvoir de ChatGPT : découvrez comment il peut transformer votre stratégie sur Facebook Évaluation : 0 sur 5 étoiles0 évaluationGuide définitive pour créer des TikToks avec ChatGPT: Devenez le prochain influenceur sur TikTok avec l'aide de ChatGPT ! Évaluation : 0 sur 5 étoiles0 évaluationComment écrire des livres en utilisant ChatGPT: Votre guide ultime pour écrire des livres avec ChatGPT Évaluation : 0 sur 5 étoiles0 évaluationLimites, dangers et menaces de l'Intelligence Artificielle: Un outil sans maîtrises Évaluation : 0 sur 5 étoiles0 évaluation
Avis sur Arbre quadruple
0 notation0 avis
Aperçu du livre
Arbre quadruple - Fouad Sabry
Quadtree
Exploration des structures de données hiérarchiques pour l'analyse d'images
Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines commerciales internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One billion knowledge.
Un milliard de connaissances
Quadtree
Exploration des structures de données hiérarchiques pour l'analyse d'images
Fouad Sabry
Copyright
Quadtree © 2024 par Fouad Sabry. Tous droits réservés.
Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.
Couverture conçue par Fouad Sabry.
Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans ce livre.
Table des matières
Chapitre 1 : Quadtree
Chapitre 2 : Octree
Chapitre 3 : Arbre R
Chapitre 4 : Arbre binaire
Chapitre 5 : Arbre B
Chapitre 6 : Arbre AVL
Chapitre 7 : Arbre rouge noir
Chapitre 8 : Arbre de recherche binaire
Chapitre 9 : Tas binaire
Chapitre 10 : Arborescence des segments
Appendice
À propos de l'auteur
Chapitre 1 : Quadtree
La structure de données d'un quadtree est un arbre dans lequel chaque nœud interne a exactement quatre descendants. Les quadriquades sont l'équivalent bidimensionnel des octrees et sont généralement utilisés pour diviser un espace bidimensionnel en quatre quadrants ou sections. L'information associée à une cellule feuille varie selon l'application, mais une cellule feuille est une « unité d'information spatiale intéressante ».
Les zones cloisonnées peuvent avoir des formes arbitraires, carrées ou rectangulaires. 1974 a vu la désignation de cette structure de données comme un quadtree par Raphael Finkel et J.L. Bentley. Q-tree est un autre terme pour un schéma de partitionnement similaire. Tous les types de quadtrees ont certaines caractéristiques :
Ils décomposent l'espace en cellules flexibles.
Chaque compartiment (ou réceptacle) a une capacité maximale. Lorsque la capacité maximale du godet est atteinte, il se sépare.
Le répertoire de l'arborescence est conforme à la décomposition spatiale du quadriceps.
Une pyramide arborescente (pyramide en T) est un arbre « complet » ; chaque nœud de la pyramide T contient quatre nœuds enfants, à l'exception des nœuds feuilles ; Toutes les feuilles sont au même niveau, ce qui correspond aux pixels individuels d'une image. De la même manière qu'un arbre binaire complet peut être stocké de manière compacte dans un tableau, les données de pyramide d'arbres peuvent être stockées de manière compacte dans un tableau en tant que structure de données implicite.
Les quadtrees peuvent être classés en fonction des types de données qu'ils représentent, tels que les surfaces, les points, les lignes et les courbes. Les quadtrees peuvent également être classés selon que la forme de l'arbre est indépendante de l'ordre de traitement. Les formes suivantes sont fréquentes de quadtrees :
Le quadriceps de région illustre une partition bidimensionnelle de l'espace en décomposant la région en quatre quadrants égaux, sous-quadrants, etc., chaque nœud terminal contenant des données relatives à une sous-région particulière. Chaque nœud de l'arbre a précisément quatre enfants ou aucun (un nœud feuille). Cette méthode de décomposition (c'est-à-dire la subdivision des sous-quadrants tant qu'il y a des données pertinentes dans le sous-quadrant pour lequel un plus grand raffinement est recherché) rend la hauteur des quadtrees sensible et dépendante de la distribution spatiale des zones intéressantes dans l'espace à décomposer. Le quadtree de région est une variante de la structure de données trie.
Un quadtree de région avec une profondeur de n peut être utilisé pour représenter une image composée de 2n × 2n pixels, où chaque pixel est soit 0, soit 1.
Le nœud racine représente la totalité de la région de l'image.
Si les pixels d'une région ne sont pas entièrement 0 ou 1, la région est considérée comme invalide, elle est segmentée.
Il s'agit d'une application, chaque nœud terminal représente un bloc de pixels composé entièrement de 0 ou de 1.
Notez les économies d'espace possibles lorsque ces arbres sont utilisés pour le stockage d'images ; Une caractéristique commune des représentations visuelles est la présence de nombreuses grandes zones avec la même valeur de couleur.
Au lieu de stocker un grand tableau 2D de chaque pixel d'une image, un réseau plus petit est utilisé, un quadtree peut capturer les mêmes informations à peut-être beaucoup plus de niveaux de division que les cellules de la taille d'une résolution de pixel.
La résolution et la taille de l'arbre sont limitées par les dimensions en pixels et en images.
Un quadriarbre de région peut également être utilisé pour représenter un champ de données avec une résolution variable. Par exemple, un quadtree peut être utilisé pour enregistrer les températures dans une région, chaque nœud feuille stockant la température moyenne de la sous-région qu'il représente.
Le quadtree ponctuel
Voici comment les quadrilatères ponctuels sont construits. Étant donné le prochain point à insérer, la cellule correspondante est localisée et le point est ajouté à l'arborescence. Le nouveau point est inséré de manière à ce que la cellule qui le contient soit divisée en quadrants par les lignes verticales et horizontales qui le traversent. Les cellules sont donc rectangulaires, mais pas toujours carrées. Chaque nœud de ces arbres contient l'un des points d'entrée.
En raison du fait que la partition du plan est déterminée par l'ordre d'insertion des points, la hauteur de l'arbre est sensible et dépend de l'ordre d'insertion. L'insertion dans un « mauvais » ordre peut entraîner un arbre dont la hauteur est proportionnelle au nombre de points d'entrée (auquel cas il devient une liste chaînée). Le prétraitement peut être utilisé pour générer un arbre avec une hauteur équilibrée si l'ensemble de points est statique.
Un nœud d'un quadrilatère ponctuel est similaire à un nœud d'un arbre binaire, la principale distinction étant qu'il a quatre pointeurs (un pour chaque quadrant) au lieu de deux (« gauche » et « droite ») comme dans un arbre binaire conventionnel. De plus, une clé est généralement divisée en deux composants qui font référence aux coordonnées x et y. Par conséquent, un nœud contient les données suivantes :
quatre pointeurs : quad['NW'], quad['NE'], quad['SW'] et quad['SE']
point; qui contient à son tour :
identificateur; généralement indiqué sous forme de coordonnées x, y
une valeur, telle qu'un nom
Les quadtrees de région ponctuelle (PR) ressemblent assez étroitement aux quadtrees de région. La différence réside dans le type de données liées aux cellules enregistrées. Dans un quadriarbre de région, une valeur qui s'applique à toute la surface d'une cellule feuille est conservée. Toutefois, les cellules d'un quadrilatère PR contiennent une liste de points qui résident dans une cellule feuille. Comme indiqué précédemment, la hauteur des arbres utilisant cette approche de décomposition dépend de la distribution spatiale des points. Semblable au quadrilatère ponctuel, le quadrilatère PR peut avoir une hauteur linéaire lorsqu'un « mauvais » ensemble est fourni.
Les quadriquarbres Edge (similaires aux quadriceps PM) sont utilisés pour maintenir les lignes par opposition aux points. Les cellules sont subdivisées à une résolution extrêmement fine afin d'approximer les courbes, précisément jusqu'à ce qu'il n'y ait qu'un seul segment de ligne par cellule. Les quadriarçons d'arêtes continueront à se diviser jusqu'à ce qu'ils atteignent leur niveau maximal de décomposition près des coins/sommets. Cela peut conduire à des arbres gravement déséquilibrés qui annulent l'objectif de l'indexation.
Le quadriarbre de carte polygonale (ou quadriceps PM) est une variante du quadrilatère utilisé pour contenir des groupes de polygones potentiellement dégénérés (ce qui signifie qu'ils ont des sommets ou des arêtes isolés). Une distinction significative entre les quadriquarbres PM et les quadriarçons d'arête est que la cellule examinée n'est pas partitionnée si les segments de la cellule se croisent au niveau d'un sommet.
Il existe trois principaux types de quadriquaristes PM, qui diffèrent en fonction des données stockées dans chaque nœud noir. Les quadriquararbres PM3 peuvent contenir un nombre arbitraire d'arêtes non sécantes et un seul point au maximum. Les quadriarbres PM2 sont identiques aux quadrichromades PM3, à l'exception du fait que toutes les arêtes doivent se terminer à la même position. Les quadriarbres PM1 sont similaires aux quadrichromades PM2, mais les nœuds noirs peuvent inclure un point et ses arêtes ou seulement un ensemble d'arêtes qui partagent un point, mais un point et un ensemble d'arêtes qui ne contiennent pas le point ne sont pas autorisés.
Cette section fournit un résumé d'un chapitre du livre de Sariel Har. Celui de Peled.
Si nous devions stocker chaque nœud correspondant à une cellule subdivisée, le besoin de stockage serait prohibitif, nous pourrions finir par stocker un nombre substantiel de nœuds vides.
Nous pouvons réduire la taille de ces arbres clairsemés en ne conservant que les sous-arbres dont les feuilles contiennent des données intéressantes (i.e.
« sous-succursales importantes »).
Nous pouvons en fait réduire la taille beaucoup plus.
Lorsque nous ne conservons que les sous-arbres essentiels, la procédure d'élagage peut laisser de longs itinéraires dans l'arbre avec des nœuds intermédiaires de degré deux (un lien vers un parent et un enfant).
Il s'avère que nous n'avons qu'à stocker le nœud u au début de ce chemin (et à lui associer des métadonnées pour représenter les nœuds supprimés) et attacher le sous-arbre enraciné à son extrémité à u .
Lorsqu'on leur donne des points d'entrée « médiocres », il est néanmoins possible que ces arbres comprimés aient une hauteur linéaire.
Bien qu'une quantité substantielle de l'arbre soit élaguée pendant cette compression, la recherche en temps logarithmique est toujours possible, l'insertion et la suppression par l'utilisation de courbes d'ordre Z.
La courbe d'ordre Z mappe chaque cellule du quadrilatère complet (et donc même le quadrilatère compressé) dans le O(1) temps à une ligne unidimensionnelle (et la mappe également dans O(1) le temps), établissant un ordre complet sur les éléments.
Par conséquent, nous pouvons stocker le quadtree dans une structure de données ordonnée (dans laquelle nous stockons les nœuds de l'arbre).
Nous devons formuler une hypothèse raisonnable avant de continuer : nous supposons qu'étant donné deux nombres réels {\displaystyle \alpha ,\beta \in [0,1)} exprimés en binaire, nous pouvons calculer dans O(1) le temps l'indice du premier bit dans lequel ils diffèrent.
Nous supposons également que nous pouvons calculer dans O(1) le temps l'ancêtre commun le plus bas de deux points/cellules dans le quadtree et établir leur ordre Z relatif, et nous pouvons calculer la fonction de plancher dans le O(1) temps.
Avec ces prémisses, l'emplacement d'un point donné q (i.e.
déterminer la cellule qui contiendrait q ), les opérations d'insertion et de suppression peuvent toutes être effectuées à O(\log {n}) temps (c.-à-d.
temps nécessaire pour effectuer une recherche dans la structure de données de l'ensemble ordonné sous-jacent).
Pour effectuer une localisation de point pour q (c.-à-d.
Trouvez la cellule correspondante dans l'arborescence compressée) :
Recherchez la cellule existante dans l'arborescence compressée qui précède q dans l' ordre Z.
Appelez cette cellule v .
Si {\displaystyle q\in v} , retournez v .
Sinon, trouvez ce qui aurait été l'ancêtre commun le plus bas du point et de q la cellule v dans un quadtree non compressé.
Appelez cette cellule ancêtre u .
Recherchez la cellule existante dans l'arborescence compressée qui précède u dans l' ordre Z et renvoyez-la.
Sans entrer dans les détails, pour faire des insertions et des suppressions, nous effectuons d'abord un placement de point pour l'élément à insérer ou à supprimer, puis à l'insérer ou à supprimer. Il faut prendre soin de remodeler l'arbre au besoin en ajoutant ou en supprimant des nœuds.
Représentation d'images
Bitmap and its compressed quadtree representationTraitement d'images
Génération de maillage
Indexation spatiale, recherches basées sur des points et des plages
Efficacité de la détection de collision bidimensionnelle
Afficher les données sur l'abattage des frustum pour le terrain
Stockage de données éparses, telles que les informations de