泛化

道格拉斯

Douglas-Peucker算法将删除导致偏差小于的顶点泛化宽容，但其余顶点的位置不改变。因此，该算法擅长于减少直线上的点的数量，而不擅长于保持直线相对于其他实体的形状或空间关系。当在多边形上使用时，起始点不会被移除。

相应的参数：

• 泛化宽容
• 维护共同的边界
• 共享边界公差
• 保存路径片段

带弧拟合道格拉斯

道格拉斯随着圆弧拟合算法进行作为道格拉斯算法相同的操作，但它也将试图适应圆弧的数据，往往导致较少的顶点。添加的任何弧线将内泛化宽容原始输入的。这个算法总是会删除一些大于或等于Douglas要删除的点的个数，然而，结果可能是一个IFMEPath而不是一个IFMELine。

相应的参数：

• 泛化宽容
• 维护共同的边界
• 共享边界公差
• 保存路径片段

薄

瘦算法将删除小于的顶点泛化宽容到相邻顶点的距离。开始点和结束点永远不会移动，除非正在变细的特性的整个长度小于公差，在这种情况下，该特性被保存最终坐标的点特性所替代。

相应的参数：

• 泛化宽容

薄不点

瘦无点算法将删除小于的顶点泛化宽容到相邻顶点的距离。的开始点和结束点永远不会移动，即使当变薄的特征的整个长度小于公差，在这种情况下，特征是通过连接第一点到最后一个点的线性特征所取代。

相应的参数：

• 泛化宽容
• 维护共同的边界
• 共享边界公差
• 保存路径片段

Deveau

Deveau算法删除了对特性的整体形状贡献较小的顶点，并可能在特性工作时在原来不在特性中的位置引入新的顶点。该算法的固有特性是，它会使顶点的z坐标和任何度量值无效。因此输出特性将始终是2D的，并且没有对它们进行度量。它要求平滑度的因素参数和锐利度角被指定的参数。

相应的参数：

• 泛化宽容
• 维护共同的边界
• 共享边界公差
• 保存路径片段
• 平滑度的因素
• 锐利度角

王

Wang算法将迭代地合并、消除和夸大弯曲，直到输入线特征没有小于给定容差值的弯曲。

相应的参数：

• 泛化宽容
• 维护共同的边界
• 共享边界公差
• 保存路径片段

麦克马斯特

McMaster算法首先计算每个点的x和y坐标的平均值以及相邻点的个数，然后计算每个点的新位置。然后，它根据指定的位移值将平均点滑向原始点。总的效果是，每个点都会被拉向相邻的点。

相应的参数：

• 维护共同的边界
• 共享边界公差
• 保存路径片段
• 邻居数
• 位移量的

麦克马斯特加权距离

麦克马斯特加权距离算法执行的操作与麦克马斯特算法相同，只是它使用了反向距离加权来考虑到每个邻居到被移动点的距离。总的效果是，离得远的点比离得近的点具有更少的“拉力”。

的加权功率参数仅由McMaster加权距离算法使用。它用来确定每个相邻点的权值。

注意:对于行，McMaster算法不会改变第一个和最后N个点(其中N是邻居的数量)，因为它们没有足够的邻居来进行平均计算。对于多边形，使用一个环绕，因此多边形中的每个点都将被改变。在相邻多边形的情况下维护共同的边界选项，它们的边界的共线部分将被一起平滑。其边界的其余部分将被作为平滑线条。这意味着没有回绕将用于相邻多边形。

相应的参数：

• 维护共同的边界
• 共享边界公差
• 保存路径片段
• 邻居数
• 位移量的
• 加权功率

NURBfit

NURBfit算法利用给定多项式次数的b样条曲线拟合直线。结果线将遵循这些曲线与给定的段长度。度数越高，线条越平滑。使用的一个例子是平滑等高线以去除尖峰并模拟制图师的工作。

相应的参数：

• 维护共同的边界
• 共享边界公差
• 保存路径片段
• 基多项式次数
• 段长度

拐点

拐点算法将计算沿直线拐点的位置，并返回这些点的列表。拐点是对一条直线的弯曲度的度量。

相应的参数：

• 邻居数

回归正交距离

该算法用最小化特征点与原始几何点之间的正交距离的直线代替特征点的几何形状。正交距离是指点到直线之间的最短(垂直)距离。

相应的参数：

• 没有