wordcloud/docs/ALGORITHM.md

生成算法说明

本文档描述当前代码实际算法。核心代码位于 backend/core/pipeline.py、backend/core/layout.py、backend/core/weights.py、backend/EfficientWordCloud/efficient_wordcloud/src/ewc_core.cpp。

总流程

1. 读取 Excel 名单 → pipeline.main()
2. 智能画幅计算 → mask.calculate_dynamic_dimensions()
3. 生成并归一化掩膜 → mask.prepare_mask()
4. 计算权重 → weights.extract_weights_from_df() + weights.get_stroke_complexity_batch()
5. 估算字号范围 → weights.calculate_font_by_area_model()
6. 小画布布局 → layout.OptimizedEfficientWordCloud.generate_from_frequencies()
7. C++ 按真实字形找位置并原子写入 → IntegralGrid.place_glyph_exact()
8. 整批未完整放入 → 统一缩放字号或扩大画布后重排
9. 密度优化 → 探测更大字号并保留完整率不下降的候选
10. 高清精修 → render.refine_layout_with_hd_clearance() 加入隔离带局部微调
11. 输出 PNG / SVG / DB / metrics

名单与重复填充

N_REPETITIONS 决定目标词数：

total_target = len(names) * N_REPETITIONS

布局序列由 _build_layout_sequence() 生成。行为：按原名单循环追加，不是把同一个名字所有副本先放完。

[A, B, C], N_REPETITIONS=4
→ [A, B, C, A, B, C, A, B, C, A, B, C]

同名副本在同一批布局中使用相同目标字号。放置失败不会触发逐词缩字号。

权重逻辑

Excel 权重

• WEIGHT_COL_NAME 优先于 WEIGHT_COL_INDEX
• 有效权重必须是可转数字且大于 0
• REMOVE_DUPLICATES=True 时，同名权重取最大值
• REMOVE_DUPLICATES=False 时，仍按名字聚合成权重映射

笔画权重

• ENABLE_STROKE_WEIGHTS=True 时，系统渲染每个字符到 64×64 灰度图，用像素占用量估算复杂度
• 一个名字的笔画权重取其中最复杂字符的值
• 若同时存在 Excel 权重：Excel 值作为基础权重，笔画复杂度除以全体中位数后作为乘数
• 这样手动权重比例仍保留，且 Excel 权重全为 1 时笔画开关也不会失效
• ENABLE_STROKE_WEIGHTS=False 且无 Excel 权重时，所有名字权重默认为 10

字号范围估算

calculate_font_by_area_model() 使用以下输入估算 min_font / max_font：

• 可填充面积（掩膜中 0 的像素数）
• 目标填充率 TARGET_FILL_RATIO
• 打包效率 PACKING_EFFICIENCY
• 重复次数 N_REPETITIONS
• 名字长度、各名字权重

公式思想：

• 可填区域越大，字号越大
• 名字越多、重复次数越高，字号越小
• 字符越多，总字符质量越高，字号越小
• 权重越高，在 log1p(weight) 归一化后获得更高面积质量

最终 max_font = min_font × SIZE_RATIO。

字号打分

build_log_rank_scores(..., per_word=True) 按姓名权重计算固定分数，映射到展开后的重复序列。结果是：

• 同名副本目标分数相同
• 同名副本初始目标字号相同
• 权重相同时，所有姓名初始目标字号相同

SIZE_RATIO=1 时，min_font == max_font，所有同权重姓名在重试前后都保持完全相同字号。

等字号模式

SIZE_RATIO=1 时，面积估算阶段直接令 min_font = max_font。所有字号重试也只改变单一字号值。

等字号批次的特殊优化：

1. 视作整批同字号布局，使用整批字号打分（per_word=False）
2. 密度优化阶段在完整候选中比较字符级最大空洞（largest_empty_square_size），并尝试不同布局种子降低空洞
3. 高清精修阶段允许优先级回溯（把失败词提前到队列最前）

放置策略

每个词的放置流程：

1. 根据目标分数得到目标字号（线性插值于 min_font 到 max_font）
2. 随机决定横排或竖排（prefer_horizontal 控制概率）
3. 用 PIL 渲染真实字形 bitmap，施加单侧安全边距（margin）生成碰撞 mask
4. 调用 C++ place_glyph_exact() 搜索合法位置并原子写入
5. 当前方向找不到时，只尝试同字号的另一方向
6. 任意姓名失败即视为本次整批布局不完整
7. 不逐词缩字号。Python 统一缩放整批字号范围后重新布局
8. 触及字号下限仍失败时，按 CANVAS_RETRY_GROWTH 扩大画布并整批重排
9. 将完整布局映射到高清字号和坐标
10. 高清画布进行逐词隔离带精修，局部无合法位置时扩大画布并整批重排

C++ 真实字形搜索

IntegralGrid 维护两个核心结构：

• canvas：真实占用像素（1 表示已占用或掩膜阻挡）
• data：兼容旧矩形查询的积分图；当前主路径不依赖逐词重建

place_glyph_exact() 行为：

1. 等字号批次前 70% 姓名优先选择靠近可填区域质心的合法位置，避免少量姓名接受第一个随机空位而形成大块空洞
2. 多字号批次只对前 25% 以及高权重（score ≥ 0.80）姓名启用中心偏好
3. 少于 100 人的等字号批次中心候选数提高到 768；100–300 人提高到 512；其余保持 256
4. 随机探测失败后，从种子决定的偏移开始完整扫描
5. 对每个候选位置逐像素比较碰撞 mask 与 C++ canvas
6. 命中后只写入真实字形，占位查询和写入在同一次 C++ 调用中完成

真实字形搜索允许透明角落和笔画间空隙安全交错，比外接矩形碰撞更密。安全边距只参与候选检查，不会被双侧累计放大。

高清精修（隔离带）

正式流水线不在低清工作网格增加边距，因为 1 个工作像素会被放大成约 5–6 个高清像素并显著损失容量。

隔离带优先作用在最终高清画布，宽度为 1px，不是用户参数。精修流程：

1. 小画布完整布局放大到高清
2. 逐词在高清画布上验证，加入 1px 隔离带
3. 碰撞时只允许最大 max_shift=24px 的局部微位移
4. 精修失败时，最多进行 1 次确定性整批优先级回溯（把失败词移到队列最前）
5. 若轮廓过窄无法容纳额外隔离带，降为精确零间隙碰撞（clearance=0）
6. 全部候选无解时，由外层扩大画布后整批重新布局，不进行远距离单词搬移

密度搜索会保留各档完整整批候选。最高密度候选若无法在有限位置修正范围内通过高清隔离验收，则改用上一档完整整批候选；不会对碰撞姓名单独缩字号，也不会接受带重叠的高密度结果。

填充率重试

一次布局完成后，compute_fill_ratio_fast() 重新渲染 layout 并计算填充率。

• 面积模型首次完整放入但明显低于 TARGET_FILL_RATIO 时，只允许一次整批等比例增字号尝试。新布局必须仍然完整且真实填充率更高才会采用
• 整批未完整放入时，流水线不会输出半成品：先整批等比例调整字号；触及最小字号仍失败时按 CANVAS_RETRY_GROWTH 扩大画布并重新生成

字号硬约束

• 不存在逐词缩字号、gap filling 或大字号自动压缩路径
• USER_MIN_FONT_SIZE 和 USER_MAX_FONT_SIZE 是不可越过的边界；冲突时直接报错
• SIZE_RATIO=1 在面积估算、整批重试和高清放大阶段始终保持单一字号
• 完整名单不可关闭；放不下时只能整批重排、整批等比例调整或扩大画布

空洞优化（等字号模式）

等字号模式下，字符级最大空洞（largest_empty_square_size）用于判断是否存在"可放字符级空洞"：

• 当前 largest_empty_square ≥ ceil(font_size * 1.25) 时视为存在字符级空洞
• 流水线会在同一字号档位尝试最多 3 种不同布局种子（按人数递减预算）
• 目标是最小化最大空洞尺寸，不改变任何字号

自动画幅

calculate_dynamic_dimensions() 先对 BASE_HD_WIDTH × BASE_HD_HEIGHT 做一次 probe 掩膜，计算可填比例 free_ratio，再用以下公式扩展：

area_per_word = (MIN_READABLE_HEIGHT_PX²) × avg_len × 1.05
required_area  = num_words × area_per_word × N_REPETITIONS / TARGET_FILL_RATIO
required_area /= free_ratio
scale_factor   = √(required_area / current_area)
new_w = clamp(base_w × scale_factor, max_edge=6000)

• 扩展后宽高向上取整到最近的 100
• 最大边长限制为 6000px，避免 SVG/PNG 过度膨胀
• 掩膜只生成一次，扩展后复用