Запрос точек на 3D сплайне с определенными параметрическими значениями в Python ⇐ Python

[Anonymous]

Учитывая список контрольных вершин, определяющих сплайн, и список значений запросов (0 = запуск строки, 1 = конец линии, 0,5 = половина пути, 0,25 = квартал пути и т. Д.) Я хочу найти (как можно быстрее и эффективно). Поэтому я написал функцию для решения проблемы с подходом грубой силы: < /p>

Subdivide spline в N -подразделения < /li>
Сложите подразделения для сравнения с запросами < /li>
Найдите правильный шаг подразделения для каждого запроса и извлечения < /li>


/> Код ниже работает нормально, но я хотел бы знать, есть ли более быстрые /более эффективные способы вычисления того, что мне нужно, или, что еще лучше, что-то уже встроенное, я мог пропустить. < /p>
Вот моя функция: < /p>

Код: Выделить всё

import numpy as np
import scipy.interpolate as interpolate

def uQuery(cv,u,steps=100,projection=True):
''' Brute force point query on spline
cv     = list of spline control vertices
u      = list of queries (0-1)
steps  = number of curve subdivisions (higher value = more precise result)
projection = method by which we get the final result
- True : project a query onto closest spline segments.
this gives good results but requires a high step count
- False: modulates the parametric samples and recomputes new curve with splev.
this can give better results with fewer samples.
definitely works better (and cheaper) when dealing with b-splines (not in this examples)

'''
u = np.clip(u,0,1) # Clip u queries between 0 and 1

# Create spline points
samples = np.linspace(0,1,steps)
tck,u_=interpolate.splprep(cv.T,s=0.0)
p = np.array(interpolate.splev(samples,tck)).T
# at first I thought that passing my query list to splev instead
# of np.linspace would do the trick, but apparently not.

# Approximate spline length by adding all the segments
p_= np.diff(p,axis=0) # get distances between segments
m = np.sqrt((p_*p_).sum(axis=1)) # segment magnitudes
s = np.cumsum(m) # cumulative summation of magnitudes
s/=s[-1] # normalize distances using its total length

# Find closest index boundaries
s = np.insert(s,0,0) # prepend with 0 for proper index matching
i0 = (s.searchsorted(u,side='left')-1).clip(min=0) # Find closest lowest boundary position
i1 = i0+1 # upper boundary will be the next up

# Return projection on segments for each query
if projection:
return ((p[i1]-p[i0])*((u-s[i0])/(s[i1]-s[i0]))[:,None])+p[i0]

# Else, modulate parametric samples and and pass back to splev
mod = (((u-s[i0])/(s[i1]-s[i0]))/steps)+samples[i0]
return np.array(interpolate.splev(mod,tck)).T

< /code>
Вот пример использования: < /p>
import matplotlib.pyplot as plt

cv = np.array([[ 50.,  25.,  0.],
[ 59.,  12.,  0.],
[ 50.,  10.,   0.],
[ 57.,   2.,   0.],
[ 40.,   4.,   0.],
[ 40.,   14.,  0.]])

# Lets plot a few queries
u = [0.,0.2,0.3,0.5,1.0]
steps = 10000 # The more subdivisions the better
x,y,z = uQuery(cv,u,steps).T
fig, ax = plt.subplots()
ax.plot(x, y, 'bo')
for i, txt in enumerate(u):
ax.annotate('  u=%s'%txt, (x[i],y[i]))

# Plot the curve we're sampling
tck,u_=interpolate.splprep(cv.T,s=0.0)
x,y,z = np.array(interpolate.splev(np.linspace(0,1,1000),tck))
plt.plot(x,y,'k-',label='Curve')

# Plot control points
p = cv.T
plt.scatter(p[0],p[1],s=80, facecolors='none', edgecolors='r',label='Control Points')

plt.minorticks_on()
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.xlim(35, 70)
plt.ylim(0, 30)
plt.gca().set_aspect('equal', adjustable='box')
plt.show()

и результирующий сюжет:


Подробнее здесь: https://stackoverflow.com/questions/349 ... -in-python