我需要构建一个 3D B-spline
表面并在各种参数坐标处对其进行多次采样。我找到的最接近的解决方案是使用 bisplev
,预计为 tck
输入由 bsplprep
计算得出。不幸的是我不能使用那个tck
组件,因为它产生一个穿过控制点的表面,而我想要的是在 B-spline
中计算的表面basis
。所以我手动构建tck
输入bsplev
可用于生产所需的表面。
不幸的是,我不知道如何在不使用 2 个嵌套循环的情况下做到这一点:每个 uv
1 个查询,每个空间组件一个。后者是可以接受的,但前者在处理非常大的查询数组时非常慢。
代码如下:
import numpy as np
import scipy.interpolate as si
def bivariate_bspline(cv,u,v,uCount,vCount,uDegree,vDegree):
# cv = grid of control vertices
# u,v = list of u,v component queries
# uCount, vCount = number of control points along the u and v directions
# uDegree, vDegree = curve degree along the u and v directions
uMax = uCount-uDegree # Max u parameter
vMax = vCount-vDegree # Max v parameter
# Calculate knot vectors for both u and v
u_kv = np.clip(np.arange(uCount+uDegree+1)-uDegree,0,uCount-uDegree) # knot vector in the u direction
v_kv = np.clip(np.arange(vCount+vDegree+1)-vDegree,0,vCount-vDegree) # knot vector in the v direction
# Compute queries
position = np.empty((u.shape[0], cv.shape[1]))
for i in xrange(cv.shape[1]):
tck = (u_kv, v_kv, cv[:,i], uDegree,vDegree)
for j in xrange(u.shape[0]):
position[j,i] = si.bisplev(u[j],v[j], tck)
return position
测试:
# A test grid of control vertices
cv = np.array([[-0.5 , -0. , 0.5 ],
[-0.5 , -0. , 0.33333333],
[-0.5 , -0. , 0. ],
[-0.5 , 0. , -0.33333333],
[-0.5 , 0. , -0.5 ],
[-0.16666667, 1. , 0.5 ],
[-0.16666667, -0. , 0.33333333],
[-0.16666667, 0.5 , 0. ],
[-0.16666667, 0.5 , -0.33333333],
[-0.16666667, 0. , -0.5 ],
[ 0.16666667, -0. , 0.5 ],
[ 0.16666667, -0. , 0.33333333],
[ 0.16666667, -0. , 0. ],
[ 0.16666667, 0. , -0.33333333],
[ 0.16666667, 0. , -0.5 ],
[ 0.5 , -0. , 0.5 ],
[ 0.5 , -0. , 0.33333333],
[ 0.5 , -0.5 , 0. ],
[ 0.5 , 0. , -0.33333333],
[ 0.5 , 0. , -0.5 ]])
uCount = 4
vCount = 5
uDegree = 3
vDegree = 3
n = 10**4 # make 10k random queries
u = np.random.random(n) * (uCount-uDegree)
v = np.random.random(n) * (vCount-vDegree)
bivariate_bspline(cv,u,v,uCount,vCount,uDegree,vDegree) # will return n correct samples on a b-spline basis surface
速度测试:
import cProfile
cProfile.run('bivariate_bspline(cv,u,v,uCount,vCount,uDegree,vDegree)') # 0.929 seconds
10k 样本需要近 1 秒,其中 bisplev
call 占用了大部分计算时间,因为每个空间组件都会调用它 10k 次。
我确实尝试更换 for j in xrange(u.shape[0]):
循环使用单个 bisplev
调用一次给它 u 和 v 数组,但这会引发 ValueError: Invalid input data
在scipy\interpolate\_fitpack_impl.py", line 1048, in bisplev
.
问题
有没有办法摆脱这两个,或者至少摆脱 uv
查询循环并执行所有 uv
在单个向量化操作中查询?
最佳答案
简短回答:替换
for i in xrange(cv.shape[1]):
tck = (u_kv, v_kv, cv[:,i], uDegree,vDegree)
for j in xrange(u.shape[0]):
position[j,i] = si.bisplev(u[j],v[j], tck)
与
for i in xrange(cv.shape[1]):
position[:, i] = si.dfitpack.bispeu(u_kv, v_kv, cv[:,i], uDegree, vDegree, u, v)[0]
说明
bisplev
接受数组为 si.bisplev(u, v, tck)
,但它将它们解释为定义 xy 网格。因此,u
和v
必须按升序排序,并对所有对 (u[j], v[k])
进行评估,输出是一个二维值数组。这不是你想要的;对评估次数进行平方可能很糟糕,并且从返回的 2D 数组中提取您实际想要的值并不容易(它们不一定位于对角线上,因为您的 u, v 一开始就没有排序)。
但是call method of SmoothBivariateSpline包括一个 bool 参数 grid
,将其设置为 False 使其仅评估 (u[j], v[j])
处的样条线对。向量 u, v 不再需要排序,但现在它们必须具有相同的大小。
但你正在准备自己的tck
。这提供了两种方法:寻求实例化SmoothBivariateSpline
手工制作的tck;或阅读 its call method 的来源并执行参数 grid
时的操作设置为 False。我选择了后一种方法。
关于python - 在 B 样条基础上查询双变量样条上的多个点,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46983476/