分形维数算法
分形维数计算
分形维数计算分形维数计算是指用来确定复杂图形在空间中的分布规律，以及特定空间上分析复杂平面图形的数学工具。
它是描述形状和模式的数学方法，可用来估计复杂多维空间中潜在的有趣特征和关系。
就其本质而言，分形维数计算是用来确定图形中岩石侵蚀、地质改动、气象波动、颜色变化和其他复杂结构的有趣特征的数学工具。
分形维数计算的历史可以追溯到20世纪80年代，当时由著名数学家布拉格提出了一系列分形理论，他认为多维空间中存在一定的维数，这些维数可以用来描述任何图形。
从那以后，研究人员开始探索如何使用数学方法来描述复杂的图形，从而进行分形维数计算。
为了进行分形维数计算，首先要建立一个多维空间，并在其中定义一个函数，这个函数可以用来描述复杂图形的多维空间中的分布规律。
然后，要计算出每个多维空间的分形维数，这可以通过对复杂图形的多维空间中每个点进行分析和统计来完成。
最后，要计算出复杂图形的分形维数，即每个多维空间中的维数之和。
分形维数计算可以应用于多个领域，其中最常见的应用是用来识别地质变化和植被变化的过程。
例如，可以用分形维数计算来识别和评估森林火灾的持续时间和恢复能力，以及地形在变化过程中的景观特征。
分形维数计算还可以用来分析气候的变化，从而为气候变化提供科学依据，并有助于制定应对措施。
此外，分形维数计算还可以用来研究和分析地图数据，如旅游区、城市、海洋，从而了解任何地理位置上的具体特征。
最近，分形维数计算开始在计算机视觉和图像处理领域被广泛应用，在自动驾驶、机器视觉检测等计算机视觉任务中起到了重要作用。
总之，分形维数计算是一种强大而多样的数学工具，它可以用来探索复杂的图形，分析复杂的结构和发现有趣的特征，并可以应用于地质、气候、计算机视觉等多个领域，为实现基于数据的科学造诣和有效决策提供了重要参考依据。
浅谈计算分形维数的两种方法
如果这两个值相等， 则 称 这 共 同 的 值 为 F 的计盒维数
【 例 2】 设 F 是 三 分 康 托 集 ， 贝 JdimBF = dimBF = = 3 证明： 显然， F 由 3 * < $ ) 的 $ 的 长 度 为 3 *的 区 间 的 覆 盖 ， 2 * ，由 dimBF =
3 S+ 1 ，则 N $ )
)= 0 }= s u p {5 ： * 4 ( F )=
U }& 参考文献： [1](英） 肯尼思•法尔科内， 曾 文 曲 等 译 .分 形 几 何 — 数 学 基 础 及 其 应 用 [ M ].东 北 大 学 出 版 社 ， 2001. - ] 王建军， 魏 宗 信 .粗 糙表面轮廓分形维数的计算方法 [J ] . 工具技术， 20 06 ， + 0 ( ) :73 — 75. ― ]丁 俊 ， 孙 洪 泉 . 分 形 维 数 测 定 方 法 对 比 分 析 —].工程 ( F )= 0 。 建设， 20 10 ， 42(5):10 —13.
$0〇
T — h g N $ ( F ) < v - log 2* = Og 2 i1 : - =g$ lo g3* 1 = = g 3° 另一方面， 如果3 * ")$<3 *,任 何 一 个 长 度 是 $ 的 区 间最多可以与构造F 之 中 的 一 长 度 是 3 *的基本区间相交，
分形维数计算
分形维数计算分形维数是一种衡量不规则形状复杂度的数学工具，它可以用来描述分形图像的复杂程度。
分形维数通常使用数学方法来计算，这种方法称为维数计算。
维数计算的基本思路是：对于分形图像中的每个区域，测量它周围区域内像素的数量。
随着区域的大小减小，周围像素的数量也会随之减小。
如果这种减小是按照某种规律发生的，那么这个分形图像就具有规律性，并且可以使用维数来描述它的复杂程度。
具体来说，分形维数可以通过如下公式计算：D = log(N) / log(1/r)其中，D是分形维数，N是每个区域周围像素的数量，r是区域的相对大小。
通常情况下，r 是一个小于1的常数，表示区域的相对大小减小的速率。
分形维数的值可以在0和无限大之间取值。
数值越大，分形图像的复杂程度就越高。
例如，一个线段的分形维数为1，而一个平面的分形维数为2。
分形维数的应用非常广泛，它可以用来描述各种不规则形分维数的应用非常广泛，它可以用来描述各种不规则形状的复杂程度，如自然景观、生物形态、社会网络等。
它也可以用来研究物理系统中的结构和动态变化，如气流、地震波传播、经济趋势等。
分形维数还可以用来衡量数据集的复杂程度，这在数据挖掘和机器学习中非常有用。
例如，在文本分类任务中，分形维数可以用来评估不同文本数据集的复杂程度，从而选择合适的分类算法。
维数计算的具体实现方式有很多种，其中常用的方法包括扩展的分维数计算法、信息熵算法、盒子数算法、结构函数算法等。
这些方法在不同的应用场景下各有优劣，需要根据具体情况进行选择。
总之，分形维数是一种非常有用的工具，可以用来描述各种不规则形状的复杂程度，并且在数据挖掘和机器学习中有着广泛的应用。
分形几何中的分形维数和分形拓扑
分形几何是一门研究自相似性和自恶化性质的数学分支。
分形几何的基本思想是运用递归和迭代方法来构造并研究具有特殊性质的几何对象，这些几何对象被称为分形。
在分形几何中，分形维数和分形拓扑是两个重要的概念。
分形维数描述了分形对象的尺度特征和空间填充性质。
对于一般的几何图形，维数可以用整数来描述，比如点的维数是0，线的维数是1，平面的维数是2。
然而，对于分形对象来说，用整数维度来描述是不合适的，因为分形对象通常具有非整数维的特点。
分形维数是一种介于整数维和分数维之间的维数概念，它可以帮助我们理解和揭示分形对象的尺度特性。
常见的分形维数包括Hausdorff维数、盒维数等。
Hausdorff维数描述了分形对象的自相似性，而盒维数则描述了分形对象的空间填充性。
分形拓扑研究的是分形对象如何在拓扑空间中进行组合和分解。
传统的拓扑学主要研究整体性质和连续性，无法很好地描述分形对象的自相似性和分布特点。
分形拓扑通过引入分形维度和分形结构等概念，对分形对象进行了全面而深入的研究。
在分形拓扑中，分形对象可以通过分形维度和分形结构来分解成多个部分，并且这些部分之间仍然表现出自相似性。
通过分形拓扑的方法，人们可以更好地理解分形对象的组合特性、变换特性以及拓扑空间中的分形结构。
分形维数和分形拓扑的研究不仅在纯数学领域中具有重要意义，而且在物理学、生物学、地理学、经济学等多个学科中也有广泛的应用。
在物理学中，分形维数被用来描述复杂系统的几何特征，如分形海岸线、分形粉末的填充性等；在生物学中，分形维数被用来研究生物体的形态特征和生存策略；在地理学中，分形维数被用来描述地形形状的复杂性和多样性；在经济学中，分形拓扑可以用于模拟金融市场的波动性和奇异性。
总之，分形维数和分形拓扑是分形几何中的两个重要概念，它们描述了分形对象的尺度特性和空间组织特性。
分形维数和分形拓扑的研究不仅在数学领域具有重要意义，而且在其他学科中也发挥着重要作用。
通过对分形维数和分形拓扑的深入研究，我们可以更好地理解和揭示自然界和人类社会中的复杂系统的结构和行为规律。
分形维数浅释
图一
如果我们把此线段分割一次，则
， ，
式中L是一个常数，
n是分割的次数，
乃分割n次后的总碎片数，
是分割n次后的每一碎片的长度
第二次分割（每个线段再分割一次）：
， ，
第三次分割（每个线段再分割一次）：
， ，
因此，我们不难知道，分割n次后，
图十
一些很单纯的分形，我们可以直接计算出来它们的维数，但是许多较复杂的分形，则是常用的盒计数法(Box-Counting Method)。此方法十分简易且有效。步骤如下，随着n的增加，计算方形“盒子（boxes）”的数目（如图十一），可以估计出分形的维数（而n不需很大）。用这个方法可以有效地估计出相当复杂、或不规则形状的分形之维数，这一方面，限于篇幅，不详谈了。
当 ， ，
当 ， ，
当 ， ，
所以分割n次后，
，
由式二，
在此，我们得到了一个非整数的维数D= 0.631。这是一介于0和1之间的维数。
让我们进一步看看介于1和2之间的维数。它是一个碎形（如图四）。
图四
我们可以由以下方法得到这个分形（图五）：
图五
观察图五，我们可以得到：
当 ， ，
当 ， ，
当 ， ，
所以操作n次后，
图八
这个特殊的H碎形可由以下的运作得到（图九）：
图九
观察图九，我们可以归纳出：
当 ， ，
当 ， ，
当 ， ，
当 ， ，
所以，运作n次后，
，
读者不难算出，其“豪斯多夫”维数恰好等于2。留给读者当家庭作业吧。
以下四个分形树（Tree Fractal），分支夹角各为120度，140度，160度，和180度，它们都有完全一样的分形维数： 。
混沌系统的分形维数计算
混沌系统的分形维数计算混沌系统是一类具有非线性动力学行为的系统，其演化在时间上呈现出复杂、随机和不可预测的性质。
混沌系统的研究是深入了解非线性科学和复杂系统行为的关键。
其中，分形维数的计算是研究混沌系统的重要方面之一。
一、分形维数是什么？分形维数是用来描述分形几何形状的量度。
分形几何是一种特殊的几何形式，它呈现出在各个尺度上具有自相似性的特征。
自相似性是指在不同尺度下，物体的形状和结构都具有相似的特点。
分形维数常用来描述分形几何的复杂程度。
在传统几何学中，维度通常以整数形式表示，如一维线段、二维平面和三维立体。
而在分形几何中，分形维数可以是非整数形式，用来更准确地描述物体的复杂程度。
二、分形维数的计算方法1. 盒计数法（Box Counting Method）是最常用的计算分形维数的方法之一。
该方法将被研究对象放入一个网格中，然后计算所需大小的盒子在网格中所覆盖的格点数。
通过不断缩小盒子的尺寸，并计算盒子中的格点数，可以得到不同尺寸下的盒子数。
根据盒子数和尺寸的关系，可以计算得到分形维数。
2. 基于维恩图（Venn Diagram）的计算方法是另一种常用的分形维数计算方法。
该方法通过绘制维恩图，即以圆为基本单位，在不同尺度下绘制多个圆，并计算出圆的重叠部分。
根据重叠部分的面积比例和尺度的关系，可以计算得到分形维数。
3. 基于分形维度定义的计算方法是一种更为抽象的计算方法。
该方法通过定义分形维度的数学表达式或算法，并将研究对象与定义的分形维度进行比较和计算。
这种方法一般需要借助计算机模拟和数值计算技术。
三、分形维数的应用1. 生物学领域中，分形维数可以用于描述生物体的形状和结构。
比如，通过计算树叶的分形维数可以研究其表面积和叶脉的分布规律，从而了解其光合作用和适应环境的能力。
2. 地理学领域中，可以使用分形维数来描述地形的复杂程度和地貌的特征。
比如，通过计算山脉的分形维数可以研究其地貌的坡度分布和水系的排列规律，进而了解地质活动和地表水循环的过程。
分形几何在统计物理建模中的应用指标
分形几何在统计物理建模中的应用指标统计物理建模是一种通过数学模型和统计方法来研究物理系统的方法。
在这一领域中，分形几何被广泛应用于描述复杂系统的特征和建立相应的模型。
本文将介绍分形几何在统计物理建模中的应用指标，包括分形维数、分形谱、分形法测度和分形尺度，以及它们在不同领域的具体应用。
一、分形维数分形维数是描述分形结构复杂度的一个重要指标。
在统计物理建模中，分形维数可以通过盒计数法或者哈尔斯多夫维数法进行计算。
盒计数法是将分形结构包含在不同尺寸的盒子内，然后统计所需的盒子数目。
哈尔斯多夫维数法则是通过使用分形特征函数来计算分形维数。
在统计物理建模中，分形维数可以用来描述物质的几何结构的复杂性。
例如，在多孔介质模型中，分形维数可以用来量化材料的孔隙分布和表面粗糙度。
此外，在物理过程的动力学建模中，分形维数可以帮助研究物质的扩散、输运和混合等性质。
二、分形谱分形谱是描述分形结构多样性的指标。
它是一个函数，描述了分形结构在不同尺度下的数量分布。
通常，分形谱可以通过分形维数的变化率来计算。
分形谱的计算可以通过对分形结构进行图像分析或者使用分形谱变换方法来实现。
在统计物理建模中，分形谱可以用来分析复杂系统中的性质变化。
例如，在材料科学中，分形谱可以用来描述材料的颗粒大小分布、孔隙大小分布以及金属合金的微观结构。
此外，在生物物理学中，分形谱可以用来研究生物体的形态变异、组织结构和生长模式。
三、分形法测度分形法测度是一种用来度量分形结构复杂性的数学方法。
分形法测度可以通过对一个分形结构的空间尺度进行统计分析来获得。
常见的分形法测度有信息维度、容量维度和遗传维度等。
在统计物理建模中，分形法测度可以用来描述复杂系统的信息内容和信息压缩能力。
例如，在网络科学中，分形法测度可以用来研究社交网络的结构和节点的连接性。
此外，在金融学中，分形法测度可以通过对金融时间序列进行分析来揭示市场的非线性和长期相关性。
四、分形尺度分形尺度是用来描述分形结构变化的指标。
分形维数浅释(优.选)
分形维数（Fractal Dimension）浅释笔者: 喻麟佑博士（美国亚利桑那大学物理学博士）2012年3月于广州前言：最近，数学课下课后，有学生问我一个网上流传的数学问题，令很多学生困惑。
简化以后，大意可以由下图描述：三角形的两个斜边一直往下折，折了无穷次后，看起来不就是和底边一样了？那么，1 + 12了？要回答类似这个问题，必须了解分形(Fractal)的原理才行。
其实这两个斜边，折了无穷次后，是一个分形的结构，和一条直线是大不相同的。
现在，我们来了解一下分形的原理。
正文：分形 (Fractal) ，又称“碎形”或“残形”。
这种几何形状，对很多人而言，其实并不陌生，大家或多或少都可在一些书本、杂志封面、海报或月历等地方看到过。
自从20世纪80年代开始 [注一] ，“混沌 (chaos)”，“奇异吸引子 (strange attractors)”，“分形 (fractal)”, 还有与以上相关的许多新名词，如雨后春笋般呈现，且被人们所津津乐道。
无论是专业人士的讨论或一般茶余饭后的闲谈皆然。
分形几何，有若干特性，例如“自相似性（self-similarity）”等等。
本文由一个最耐人寻味的特性切入，那就是分形维数（Fractal Dimension）。
并且，也借此讨论过程，得以对分形（碎形）有更深入的了解。
首先，众所周知，一般几何所用的维数，或维度 (Dimension) 是整数，如一个点是0维，一条线段是1维，一个在平面上的几何图形是2维，如一个方形或一个圆形；再者，一个立方体或一个球形，则被视为3维。
然而，分形，却具有非整数的维数。
这是怎么回事呢？为了解释清楚，我们先看看一条线段（如图一）：图一如果我们把此线段分割一次，则1n =，12N =，12Lε=式中 L 是一个常数， n 是分割的次数，n N 乃分割n 次后的总碎片数，n ε是分割n 次后的每一碎片的长度第二次分割（每个线段再分割一次）：2n =，2242N ==，2242L Lε== 第三次分割（每个线段再分割一次）：3n =，3382N ==，3382L Lε==因此，我们不难知道，分割 n 次后， 总碎片数：2n n N =， 每一碎片大小：2n n L ε=现在，让我们来定义一个维数D ：D D n n L N ε=⋅()n →∞ (式一)式中，L 的D 次方（即维数）等于，分割n 次后的总碎片数，乘上每一碎片长度的D 次方。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分形维数算法
分形维数算法
分形包括规则分形和无规则分形两种。
规则分形是指可以由简单的迭代或者是按一定规律所生成的分形，如Cantor集，Koch曲线，Sierpinski海绵等。
这些分形图形具有严格的自相似性。
无规则分形是指不光滑的，随机生成的分形，如蜿蜒曲折的海岸线，变换无穷的布朗运动轨迹等。
这类曲线的自相似性是近似的或统计意义上的，这种自相似性只存于标度不变区域。
对于规则分形，其自相似性、标度不变性理论上是无限的（观测尺度可以趋于无限小）。
不管我们怎样缩小（或放大）尺度（标度）去观察图形，其组成部分和原来的图形没有区别，也就是说它具有无限的膨胀和收缩对称性。
因些对于这类分形，其计算方法比较简单，可以用缩小测量尺度的或者不断放大图形而得到。
分形维数
D=lnN(λ)/ln(1/λ) （2-20）
如Cantor集，分数维D=ln2/ln3=0.631；Koch曲线分数维D=ln4/ln3=1.262; Sierpinski海绵分数维D=ln20/ln3=2.777。
对于不规则分形，它只具有统计意义下的自相似性。
不规则分形种类繁多，它可以是离散的点集、粗糙曲线、多枝权的二维图形、粗糙曲面、以至三维的点集和多枝权的三维图形，下面介绍一些常用的测定方法[26]。
（1）尺码法
用某个选定尺码沿曲线以分规方式测量，保持尺码分规两端的落点始终在曲线上。
不断改变尺码λ，得到一系列长度N（λ），λ越小、N越大。
如果作lnN～lnλ图后得到斜率为负的直线，这表明存在如下的幂函数关系
N～λ-D（2-21）
上式也就是Mandelbrot在《分形：形状、机遇与维数》专著中引用的Richardson公式。
Richardson是根据挪威、澳大利亚、南非、德国、不列颠西部、葡萄牙的海岸线丈量结果得出此公式的，使用的测量长度单位一般在1公里到4公里之间。
海岸线绝对长度L被表示为：
L=Nλ～λ1-D（2-22）
他得到挪威东南部海岸线的分维D≈1.52，而不列颠西部海岸线的分维D≈1.3。
这说明挪威的海岸线更曲折一些[27]。
（2）小岛法
如果粗糙曲线都是封闭的，例如海洋中的许多小岛，就可以利用周长-面积关系求分维，因此这个方法又被称为小岛法。
对于规则图形的周长与测量单位尺寸λ的一次方成正比，而面积A 则与λ的二次方成正比。
通常我们可以把它们写成一个简单的比例关系：
P ∝A 1/2 (2-23)
对于二维空间内的不规则分形的周长和面积的关系显然更复杂一些，Mandelbrot 提出，应该用分形周长曲线来代替原来的光滑周长，从而给出了下述关系式：
1/1/2D 1/200[()](1)/[()][()]D P a D D A a A 1/-1λ=λ-λ=λλλ （2-24）
这里的分维D 大于1（周长光滑时D=1，上式转化成为（2.23）式），使P 的变化减缓，a 0是和岛的形状有关的常数，λ是测量尺寸，一般取λ为小于1的数
值（如取岛的最大直径为1），使因子λ（1-D ）/D 随测量尺寸λ减小而增大。
作log[P(λ)/λ]～log[A(λ)1/2/λ]图，从其中直线部分的斜率的倒数，可以得到分维D 。
这个方法也可以推广到粗糙曲线（表面积-体积法）。
（3）计盒维数法[28]
这是一种常用的计算分形图形分维数的实用方法。
取边长为r 的小盒子，把分形曲线覆盖起来。
则有些小盒子是空的，有些小盒子覆盖了曲线的一部分。
计数多少小盒子不是空的，所得的非空盒子数记为N （r ）。
然后缩小盒子的尺寸，所得N （r ）自然要增大，当r→0时，得到分形维数：
0log ()lim log r N r D r
→=- （2-25） 实际计算中只能取有限的r ，通常的做法与尺码法类似，求一系列r 和N （r ），然后在双对数坐标中用最小二乘法拟合直线，所得直线的斜率即所求分形维数。
（４）结构函数法[29]
具有分形特征的时间序列能使其采样数据的结构函数满足：
242()[()()]D S z x z x C τττ-=+-= （2-26）
式中：
2[()()]z x z x τ+-表示差方的算术平均值。
τ是数据间隔的任意选择值。
针对若干尺度τ对分形曲线的离散信号计算出相应的Ｓ（τ），然后在对数坐标中得logS(τ)～log τ直线的斜率Ｗ，则分形维数：
42
W D -= （2-27） 2.2.4系统所采用的二种计算维数的方法
以上介绍的各种测量不规则分形的分维方法，在原理上都是利用了它们的自相似性和被测量是随测量尺度的改变而改变的特性。
因此选择哪一种方法来测定和计算分维只能从实际问题出发，没有统一的标准。
但在计算分维时存在的共同点是在计算原则上要求图形象素尽量多以及相似的层次尽量多。
但实际图形往往达不到这样的要求，计算机模拟结果原则上可以有大得多的线性范围，但限于计算时，一般双对数图上的线性范围是2～3个量级。
因此我们在实际的研究工作中，对研究对象使用分形或分维等概念时一定要注意它的适用范围。
下面介绍在系统中所使用的二种求分形的方法。
a 、 半方差法
半方差法用于复杂的分形曲线的计算，适用于对随机过程数据的处理。
该方法简单易行，适合于计算机处理，是一种较实用的计算方法。
设在某一测量距离或测量时间序列上得到一族z （t ），且随机变量的平均差表示为：
1()[()()]m a z t z t t n
=-+∆∑ （2-28） 其中：
m(a)为平均差；
z(t)为在t 位置函数曲线的测量值；
z(t+Δt)为在t+Δt 位置函数曲线的测量值；
Δt 为一对数据的间据
n 为数据对数。
方差表示为：
21()[()()]s a z t z t t n
=-+∆∑ （2-29） 半方差表示为：
211()()[()()]22r a s a z t z t t n
==-+∆∑ （2-30） 式中数据的对数n 的确定方法是：若以等间距Δt 连续测量某一距离的各点数值时，得到一随机数据z(1),z(2),…,z(k),如图2-6所示
当一对数据的间距t 1=Δt 时，数据的对数n=k-1,如图2-6 (a)所示。
当一对数据的间距t 2=2Δt 时，计算相应的半方差时，数据的对数n 2=k-2,如图2-6 (b)所示。
F ig 2-6 the definition of n in semi-variance
method
当试验数据较多时，往下依次类推。
每当改变一对数据的间距时，由式（2-30）可以得到相应的半方差r(a)。
对于分形曲线，a 与r(a)存在如下的幂型关系：
r(a)∝h W (2-31)
t 1=Δt n 1=k-1 z(1) z(2) z(3) z(4) z(5) z(6) z(7) z(8) z(9) z(k) (a) t 2=2Δt n 2=k-2 z(1) z(2) z(3) z(4) z(5) z(6) z(7) z(8) z(9) z(k) (b) t 3=3Δt
其中，W 是幂指数，是分形维数D 的一种逼近，把h 和r(h)绘到双对数坐标图上，并进行线性回归，得到回归方程，其斜率即为W 。
而斜率W 与分形维数D 有如下关系[23]：
W=4-2D （2-32）
则 42
W D -= （2-33） b 、 变换法
这是Dubuc 等[29]介绍的方法，在本质上它与计盒维数法相似，但对已知分形曲线运用此法得到的结果比计盒维数法准确，。
后来Spanos 和Irene [25]把此方法推广应用于粗糙曲面，也得到很好的结果。
此法设置宽为Ｒ的矩形（盒子）覆盖到分形曲线上，矩形的高度由分形曲线在框内的最高点和最低点决定（图2-7），一步一步移动矩形遍及所有象素点，将所有矩形的高和宽相乘并且相加起来得到总面积S （R ），系列改变Ｒ的大小重复以上操作，得到一系列S （R ）。
注意上述操作过程中矩形经过的范围应远远大于矩形的宽度。
将
图2-7 变换法求分维
Fig 2-7 dimension calculating using
variation
S （R ）除以R ２得到N （R ）＝S （R ）／R ２，作lnN(R)～ln(1/R)曲线，取其中线性部分的斜率为分维Ｄ，因为在线性范围内存在N （R ）～R －Ｄ的关系。
或者直接作lnS(R)～lnR 曲线，其中线性部分斜率为W ，并且由此斜率得到分维D 。
R R1
D＝２－W （2-34）
变换法也可以推广到粗糙曲面的分维计算。
此时测量用的矩形被正方柱代替。
变换法和计盒维数法在本质上是相同的，它们都是用不断改变尺寸的盒子去覆盖图形。
其较为准确的原因在于它允许二维或三维的盒子数N（R）为非整数，同时N（R）也是遍及所有象素点得到的数值。