Skip to main content
 首页 » 编程设计

python之在 B 样条基础上查询双变量样条上的多个点

2025年01月19日12虾米哥

我需要构建一个 3D B 样条 表面并在各种参数坐标下对其进行多次采样。我找到的最近的解决方案是使用 bisplev ,它需要一个由 bsplprep 计算的 tck 输入.不幸的是,我不能使用那个 tck 组件,因为它会产生一个通过控制点的表面,而我想要的是在 B-spline 基础上计算的表面。所以我手动构造了 tck 输入 bsplev 可以用来产生所需的表面。

不幸的是,如果不使用 2 个嵌套循环,我不知道如何做到这一点:1 个用于每个 uv 查询,一个用于每个空间组件。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 

对于 10k 个样本,将近 1 秒,其中 bisplev 调用占用了大部分计算时间,因为它为每个空间组件调用了 10k 次。

我确实尝试用单个 bisplev 调用替换 for j in xrange(u.shape[0]): 循环,给它 u 和 v 数组一次,但这会在 scipy\interpolate\_fitpack_impl.py", line 1048, in bisplev 中引发 ValueError: Invalid input data。

问题

有没有办法摆脱这两者,或者至少摆脱 uv 查询循环并在单个矢量化操作中执行所有 uv 查询?

请您参考如下方法:

简答: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一个 xy 网格。因此,u和 v必须按升序排序,并且将对所有对执行评估 (u[j], v[k]) ,输出是一个二维值数组。这不是你想要的;求值次数的平方可能很糟糕,并且从返回的二维数组中提取您实际想要的值并不容易(它们不一定在对角线上,因为您的 u, v 没有开始排序)。

但是call method of SmoothBivariateSpline包括一个 bool 参数 grid , 将 which 设置为 False 使其仅评估 (u[j], v[j]) 处的样条曲线对。向量 u、v 不再需要排序,但现在它们的大小必须相同。

但是你正在准备自己的tck .这提供了两种方法:寻求实例化 SmoothBivariateSpline用手工制作的 tck;或阅读 its call method 的来源并在参数 grid 时执行它的操作设置为假。我采用了后一种方法。