本文介绍利用四叉树算法优化Canvas中大量图形的碰撞检测效率。通过空间分割与索引机制，四叉树将全局遍历转化为局部检索，显著减少不必要的图形计算。文章解析了经典四叉树的分裂、插入与查询逻辑，并探讨了松散四叉树及R树等替代方案，旨在提升前端图形渲染性能。
正文
在上一篇关于脏矩形渲染的文章中，我们探讨了如何通过仅重绘局部图形来优化Canvas性能，从而将GPU密集型任务转化为CPU密集型任务。
推荐阅读：《Canvas 性能优化：脏矩形渲染》
那么，CPU密集的工作具体在哪里？
主要在于需要遍历所有图形，判断它们是否与脏矩形发生相交（碰撞），并保存发生碰撞的图形，以便在局部进行重绘。
是否存在一种方法可以减少需要遍历的图形数量，避免全量遍历，仅处理少量相关图形？答案是使用四叉树。
四叉树碰撞检测原理
我们将区域的分割表述为“节点”，因为是四叉树；
将画布上的真实图形称为“图形”。
四叉树的本质是利用空间分割，为图形建立索引，将视口界面划分为多个区域，每个区域记录其包含的图形。
当移动目标图形时，判断其所在区域，取出该区域内的图形，这些图形集合即为与目标图形可能发生碰撞的超集。
区域外的图形则被排除在计算之外。
算法实现的要点：
创建根节点，根节点保存区域信息x、y、width和height。
添加图形时，当一个节点内的图形数量大于阈值，就将整个区域均等切割为4等份的子节点，将图形从当前区域取出，重新放入到这些子节点内，从而将节点的归属划分为更小的区域。
（原来的区域转换为索引层，真正保存节点的地方放到了它的子区域上）
当我们提供一个碰撞矩形，我们从四叉树顶节点往下找，看是否有子节点。如果有，使用矩形碰撞算法找出它所在的子节点有哪些（可能有多个）。对这些子节点重复前面的操作，进行递归，找到所有的图形。
这些图形就是碰撞矩形可能相交的矩形，但相对所有图形，又不至于太多。
四叉树碰撞检测算法
先看看经典算法实现。
算法我就不自己实现了，这里展示 quadtree-js 库的代码实现。
github.com/timohausman…
构造函数：
function Quadtree(bounds, max_objects, max_levels, level) {
this.max_objects = max_objects || 10; // 节点内最大对象数量
this.max_levels = max_levels || 4; // 树的最大深度
this.level = level || 0;
this.bounds = bounds; // 区域，结构为 {x, y, width, height}
this.objects = []; // 保存图形的地方
this.nodes = []; // 4 个子节点，到达阀值时才创建
}
这是一个内部私有方法，当节点内图形过多，超过阈值，就将当前节点分裂成4个子节点：
// 切割：生成 4 个子节点
Quadtree.prototype.split = function () {
var nextLevel = this.level + 1,
subWidth = this.bounds.width / 2,
subHeight = this.bounds.height / 2,
x = this.bounds.x,
y = this.bounds.y;
// 右上
this.nodes[0] = new Quadtree(
{
x: x + subWidth,
y: y,
width: subWidth,
height: subHeight,
},
this.max_objects,
this.max_levels,
nextLevel
);
// 左上
this.nodes[1] = new Quadtree(
{
x: x,
y: y,
width: subWidth,
height: subHeight,
},
this.max_objects,
this.max_levels,
nextLevel
);
// 左下
this.nodes[2] = new Quadtree(
{
x: x,
y: y + subHeight,
width: subWidth,
height: subHeight,
},
this.max_objects,
this.max_levels,
nextLevel
);
// 右下
this.nodes[3] = new Quadtree(
{
x: x + subWidth,
y: y + subHeight,
width: subWidth,
height: subHeight,
},
this.max_objects,
this.max_levels,
nextLevel
);
};
计算某个图形落在当前节点的哪个子节点，拿到对应节点索引值数组：
// 找到某个 box 落在在哪个区域
Quadtree.prototype.getIndex = function (pRect) {
var indexes = [],
verticalMidpoint = this.bounds.x + this.bounds.width / 2,
horizontalMidpoint = this.bounds.y + this.bounds.height / 2;
var startIsNorth = pRect.y < horizontalMidpoint,
startIsWest = pRect.x < verticalMidpoint,
endIsEast = pRect.x + pRect.width > verticalMidpoint,
endIsSouth = pRect.y + pRect.height > horizontalMidpoint;
// top-right quad
if (startIsNorth && endIsEast) {
indexes.push(0);
}
// top-left quad
if (startIsWest && startIsNorth) {
indexes.push(1);
}
// bottom-left quad
if (startIsWest && endIsSouth) {
indexes.push(2);
}
// bottom-right quad
if (endIsEast && endIsSouth) {
indexes.push(3);
}
return indexes;
};
插入一个图形，先看是否存在子节点，有的话说明当前节点变成了索引层，通过矩形碰撞算法找到所在的子节点，对这些子节点做插入操作：
Quadtree.prototype.insert = function (pRect) {
var i = 0,
indexes;
// 存在子节点，则插入到子节点
if (this.nodes.length) {
indexes = this.getIndex(pRect); // 找到索引位置
for (i = 0; i < indexes.length; i++) {
this.nodes[indexes[i]].insert(pRect); // 递归 insert
}
return;
}
// 没有子节点，不是索引层，图形放到前节点下
// （有个小 BUG，就是不在范围内的图形也加上去了）
this.objects.push(pRect);
// 如果对象太多，构建子节点
if (
this.objects.length > this.max_objects &&
this.level < this.max_levels
) {
if (!this.nodes.length) {
this.split();
}
// 将 objects 取出，放入这些子节点中
for (i = 0; i < this.objects.length; i++) {
indexes = this.getIndex(this.objects[i]);
for (var k = 0; k < indexes.length; k++) {
this.nodes[indexes[k]].insert(this.objects[i]);
}
}
this.objects = [];
}
};
返回目标图形所在节点下的所有图形：
// 传入一个矩形，取出它所在节点的所有矩形
// 这个方法能返回
Quadtree.prototype.retrieve = function (pRect) {
// 提取目标矩形所在区间下的所有矩形
var indexes = this.getIndex(pRect),
returnObjects = this.objects;
// 可能需要递归。
//if we have subnodes, retrieve their objects
if (this.nodes.length) {
for (var i = 0; i < indexes.length; i++) {
returnObjects = returnObjects.concat(
this.nodes[indexes[i]].retrieve(pRect)
);
}
}
// 移除重复的节点
returnObjects = returnObjects.filter(function (item, index) {
return returnObjects.indexOf(item) >= index;
});
return returnObjects;
};
非常简单，一些可以改善的能力。
- 没有添加映射功能，最后返回的图形都是box对象信息，我们可以考虑改造为
insert(rect, data)，保存额外的信息，比如实际形状对象或id。 - 动态收缩：移除某个图形后更新树结构，并在发现图形数量低于阈值时，取出图形放到父节点上，销毁子节点；
- 修改根节点范围后，需要重置整棵树，如何高效重置等；
- 四叉树的图形类型，常见的是矩形，但还可以是点、直线、曲线等，如果需要可以考虑支持。
请根据实际需要进行扩展。
一些权衡
处于节点内分割线上的图形，它是归属于多个子节点的，所以最终会同时放到它的多个子节点下，会花费内存。
极端情况下，一个非常大的图形，会保存在所有的节点下。
如果想节省内存，可以直接保存到当前节点上，不放到子节点上，可以减少内存使用，只是最后返回的被碰撞图形会多一点。因为图形可能只压在了两个子节点的交界线上，比如A、B，但目标矩形是在其他的子节点C上，但因为它们来自同一个父节点，所以拿到了这个不可能在C的图形。
后者会更好一些，但如果一个图形刚好在画布中心，那每次取出的碰撞图形都会有它（这点可以通过松散四叉树解决）。
松散四叉树
经典四叉树有个问题，就是如果图形的物理信息是比较动态的，当总是在边界附近时，就会发生频繁地将图形从一个节点取出并放到另一个节点下。
对此我们可以额外设置一个出口边界。这个出口边界要比入口边界要大，只有当图形离开这个出口边界，才会更新提取图形到新的节点。
这样，当图形划分到另一个节点上时，就需要移动较长的距离才能回到原来节点下，轻微地移动不会导致剧烈的更新。
通常出口边界边长为入口边界的两倍最佳，为什么不知道，经验之谈。
其他空间分割思想的算法
简单介绍一些也使用了空间分割思想的算法。
- 跳表：一种有序链表，通过叠加大量的索引层，可以进行链表形式的“二分查找”，达到高效的
O(logn)时间复杂度，但也带来了内存的消耗。Redis中的有序集合（Sorted Set）底层使用了跳表，一个原因是可以高效地获取区间内的数据集； - B+树：一种平衡二叉树，有点像跳表，但树的层数最多为三层，MySQL的索引实现使用了B+树，因为层数较少，可以减少IO操作；
- R树：R表示矩形的意思。相比前面两种单维的范围查找，R树能做高效的高维查找。比如地图中，我们可以通过R树将距离相近的高维图形合并为一个大节点，当搜索“2km内的药店”时，如果你落到某个大节点上，我们只要遍历一个大节点下的所有节点，而不是遍历整个市，或整个国家。
R树的思路是最接近四叉树的，它其实是另一种减少图形遍历的方案，可以适用于高效剔除视口范围之外的图形。
R树有个star数很多的库，叫做RBush，感兴趣可以看看。
github.com/mourner/rbu…
以上就是JS快速检索碰撞图形之四叉树碰撞检测的详细内容，更多关于JS四叉树碰撞检测的资料请关注本站其它相关文章！