泰森多边形生成器 - Voronoi图在线绘制

是的，泰森多边形和Voronoi图指的是同一种空间分割方法，只是名称来源不同。"Voronoi图"得名于俄罗斯数学家Georgy Voronoi，他在1908年对n维空间中的此类分割进行了严格的数学定义；"泰森多边形"（Thiessen Polygon）则来源于美国气象学家Alfred H. Thiessen，他在1911年将这种方法引入气象学领域。此外，这种分割方法还有其他名称，如Dirichlet镶嵌（以德国数学Peter Gustav Lejeune Dirichlet命名）和Voronoi镶嵌。在不同的学科和应用场景中，人们习惯使用不同的名称，但它们在数学本质上是完全相同的。

这是因为工具为每个种子点分配随机颜色，当种子点数量较多时，随机生成的颜色可能出现相近的色调，导致视觉上难以区分相邻区域。你可以通过以下方式改善：一是点击工具栏的"种子点"按钮切换到显示种子点模式，这样每个种子点位置会有明确标记；二是将鼠标悬停在感兴趣区域，观察边界线来区分不同多边形；三是适当减少种子点数量，让每个区域有更大的面积来展示颜色差异。此外，如果你需要更美观的配色效果，可以在导出PNG后使用专业的图像编辑软件进行后期调色。

本工具采用逐像素最近邻算法，对于画布上的每个像素点都需要计算到所有种子点的距离。因此性能主要取决于两个因素：画布的像素总数和种子点数量。对于常规使用场景（几十到上百个种子点、标准画布尺寸），计算在毫秒级完成，不会感受到延迟。但如果种子点数量达到数百甚至上千个，同时画布尺寸较大时，计算量会显著增加，可能出现短暂的卡顿。建议在这种情况下适当降低浏览器窗口大小以减小画布尺寸，或者使用快捷预设来快速获取理想效果而无需手动添加大量种子点。

是的，导出的PNG图片分辨率与当前画布的实际像素尺寸一致。画布的大小由浏览器窗口的显示区域决定。如果你需要更高分辨率的导出图片，可以在导出前调整浏览器窗口的大小来扩大画布区域，或者使用浏览器的缩放功能（注意缩放可能影响交互精度）。导出的PNG文件会完整保留当前画布上的颜色填充、边界线以及种子点显示状态（如果当前处于显示点模式），确保所见即所得。

本工具的交互设计侧重于直观的鼠标操作体验，目前支持通过点击画布添加种子点、拖拽移动种子点位置。如果你需要将种子点放置在精确的坐标位置，可以通过以下方式间接实现：观察右侧种子点列表中显示的坐标信息，在画布上大致对应位置点击添加，然后通过微调拖拽来接近目标坐标。虽然工具没有提供直接输入坐标的输入框，但列表中的坐标显示可以帮助你判断精度。对于需要精确坐标的科研或工程应用，建议将本工具作为概念验证和可视化参考，使用编程方式（如Python的scipy.spatial.Voronoi模块）来实现精确控制。

Voronoi图的应用极为广泛。在城市规划中，它被用来确定公共设施（如医院、消防站、学校）的最佳服务范围，确保居民到最近设施的距离最短。在通信领域，基站的覆盖区域划分本质上就是一种Voronoi分割。在生物学中，Voronoi图可以模拟细胞组织的结构，帮助研究者理解细胞生长和竞争的规律。在计算机图形学中，Voronoi图被用于生成程序化纹理（如石头、裂纹、马赛克效果）和破碎效果。在气象学中，根据分散的气象站数据估算区域降水量（即泰森多边形法）至今仍是常用方法。在GIS地理信息系统中，Voronoi图用于空间插值和邻近分析。在材料科学中，它被用来模拟多晶体的晶粒结构。甚至在体育领域，Voronoi图也被用于分析足球运动员的场上活动区域和覆盖范围。

"最近邻"指的是在所有候选种子点中，选择距离目标点（这里是像素点）欧几里得距离最小的那一个作为归属。这是最近邻分类（1-Nearest Neighbor）在空间分割中的应用。而K近邻（KNN）中的K>1，表示选择距离最近的K个邻居，然后通过投票或加权平均来做分类或回归。在Voronoi图中，每个像素只需要一个最近的种子点来决定归属，所以使用的是1-近邻而非K-近邻。逐像素最近邻算法的朴素实现需要对每个像素计算到所有种子点的距离，时间复杂度为O(n×p)。在实际生产环境中，会使用空间索引结构（如KD-Tree、四叉树）来加速最近邻查询，将复杂度降低到O(n×log(p))甚至更优。