此提交包含一组用于分析 N 维凸多面体的文件。 它适用于相当低的维度 N——基本上足够低，以便使用 MATLAB 的 convhulln() 命令进行顶点和面枚举是易于处理的。 目前，它也仅限于有界多面体（即多面体）。 有界凸多面体可以表示为一组有限顶点V（i，:)的凸包，也可以组合使用线性约束等式和不等式， A * x <= b， Aeq*x=beq 这里，A 和 Aeq 是 MxN 和 PxN 矩阵，而 b 和 beq 分别是 Mx1 和 Px1 列向量。 （不）等式表示将多面体表示为两个区域的交集。 一个区域是一个立体的 N 维形状，由不等式描述，而另一个是可能的低维子空间，由等式描述。 上面的屏幕截图说明了这一点，显示了如何将 3D 中的三角形表示为四面体（R^3 中的实体形状）和平面的交集。 该软件包包含用于在两种表示之间进行转换的工具（请参阅 VERT2LCON 和 LCO

搅拌机镜像插件 Blender 的附加组件。 用于镜像顶点组 该存储库包含一个用于 3D 建模工具 Blender 的简单插件。 此工具用于将顶点组从网格的一侧复制到另一侧。 您还可以影响网格一半的权重，然后在另一侧复制这些权重。 安装： 启动搅拌机。 打开用户首选项，插件选项卡 单击“从文件安装”并将 Blender 指向下载的 zip。 附加组件将安装在“网格”类别中。 从用户首选项激活镜像顶点组插件 如果您想在启动时启用它，请保存用户首选项。 ================================================== ================================================== ======================== Ce répertoire contient un add-on pour l'o

像 gplot 一样绘制图形。 但允许用户输入具有加权边和/或加权顶点的邻接矩阵。 边缘权重映射到颜色图。 顶点权重与顶点大小成正比。 使用参数-值对，用户甚至可以指定顶点缩放因子、边缘宽度和用于显示与顶点关联的其他元数据的颜色图。 （作为示例包含的几个图来自 David Gleich 的 matlabBGL 包。）

做一个小系统，完成如下功能：在图中求从一条从顶点i到顶点j的最短路径，在图中求从一条从顶点i到顶点j的简单路径

这是unity的一个切割模型的demo，通过代码控制模型的顶点位置的变化来使模型有种被切割的感觉，类似于现实世界中拿着锯子锯木头一样，可以控制切割的速度，位置，范围，还有是否启用切割的一个按钮，效果很不错!

利用Dijkstra算法来求解顶点之间最短路径

在此 FEX 提交中实现的命令 pgonCorners() 将凸多边形的二进制图像作为输入，并返回其顶点的估计位置（到最近的像素）作为输出。 假设顶点数量的先验知识。 所使用的方法基于此 Matlab Answers 帖子中讨论的线性规划的想法， https://www.mathworks.com/matlabcentral/answers/413079-i-am-trying-to-find-the-corners-of-the-rectangular-shapes-this-code-is-working-very-well-但是-id#answer_331199 尽管该方法在设计时考虑到了凸多边形，但它有时在近似凸面的对象上效果很好，如本提交中包含的示例脚本和上面的缩略图所示。 句法： 角= pgonCorners（BW，k） 角 = pgonCorners(BW,k,N)

自己用C#实现的关于多边形方向及顶点凹凸性的判断的方法。里边的函数包括了构造多边形、方向判断、凹凸性判断。适合初学者学习参考之用。

版本要求：Unity 2018.3+ 用于转换完整的动画角色，动画资产，或任何其他类型的蒙皮网格。有了两种模式，快照和着色动画，你可以支持任何平台，并获得完整的GPU实例支持，而不失去控制单个实例的能力。非常适合活跃的人群或植物。点击按钮在屏幕上获得100倍以上的动画实体! •使用转换器快速轻松地转换资产。 •开箱即用的GPU实例支持! •可以使用Mecanim控制，不需要重写现有的代码或控制器，只需附加一个脚本。 •支持自定义动画事件。 •内置的性能考虑，最小的CPU开销。 •包括完整的源代码。

顶点分量分析（VCA） 顶点分量分析方法在Python中的翻译，用于从给定的高光谱图像中提取一组端成员（基本光谱）。 有关该方法的更多详细信息： Jose MP Nascimento和Jose MB Dias 提交给IEEE Trans的“顶点分量分析：一种用于分解高光谱数据的快速算法”。 Geosci。 遥感，卷。 ..， 不。 .. pp ..-。，2004年 用法 Ae，指数，Yp = vca（Y，R，详细= True，snr_input = 0） 输入变量 Y-尺寸为L（通道）x N（像素）的矩阵，每个像素是R个端成员签名的线性混合Y = M xs，其中s =伽玛x alfa gamma是照明扰动因子，而alfa是每个端成员的丰度分数。 注意：Y必须是一个numpy数组 R-场景中端成员的正整数 输出变量 AE-估计的混合矩阵（端成员签名） 指数-被选为最纯净的像素 Yp