如何在 matplotlib mplot3D 或类似文件中显示 3D 数组等值面的 3D 图?
Posted
技术标签:
【中文标题】如何在 matplotlib mplot3D 或类似文件中显示 3D 数组等值面的 3D 图?【英文标题】:How to display a 3D plot of a 3D array isosurface in matplotlib mplot3D or similar? 【发布时间】:2011-08-27 04:05:08 【问题描述】:我有一个 3 维 numpy 数组。我想(在 matplotlib 中)显示该数组的等值面的漂亮 3D 图(或者更严格地说,显示通过在采样点之间插值定义的 3D 标量场的等值面)。
matplotlib 的 mplot3D 部分提供了很好的 3D 绘图支持,但是(据我所知)它的 API 没有任何东西可以简单地采用 3D 标量值数组并显示等值面。但是,它确实支持显示一组多边形,所以我想我可以实现行进立方体算法来生成这样的多边形。
似乎很可能已经在某个地方实现了一个对 scipy 友好的行进立方体,但我还没有找到它,或者我错过了一些简单的方法。或者,我欢迎任何指向其他工具的指针,这些工具可以从 Python/numpy/scipy 世界轻松使用可视化 3D 数组数据。
【问题讨论】:
Matplotlib 的 3D 绘图真的不适合这样的事情。 (它旨在为简单的 3D 绘图生成矢量输出,而不是完整的 3D 绘图引擎。)如果需要等值面,请使用 mayavi/mlab。 【参考方案1】:只是为了详细说明我上面的评论,matplotlib 的 3D 绘图确实不适用于像等值面这样复杂的东西。它旨在为非常简单的 3D 绘图生成漂亮的、出版质量的矢量输出。它无法处理复杂的 3D 多边形,因此即使自己实施行进立方体来创建等值面,也无法正确渲染它。
但是,您可以改为使用mayavi(mlab API 比直接使用 mayavi 更方便),它使用VTK 来处理和可视化多维数据。
作为一个简单的示例(从 mayavi 库示例之一修改):
import numpy as np
from enthought.mayavi import mlab
x, y, z = np.ogrid[-10:10:20j, -10:10:20j, -10:10:20j]
s = np.sin(x*y*z)/(x*y*z)
src = mlab.pipeline.scalar_field(s)
mlab.pipeline.iso_surface(src, contours=[s.min()+0.1*s.ptp(), ], opacity=0.3)
mlab.pipeline.iso_surface(src, contours=[s.max()-0.1*s.ptp(), ],)
mlab.show()
【讨论】:
完美! apt-get install mayavi2,运行你的代码... Just Works。正是我正在寻找的。多年来我一直在想我是否不应该以某种方式使用 VTK。这看起来像是从 scipy 世界进入它的好方法。天哪,这就像发现了一个全新的星球...... 还有一个 mlab contour3d 函数可以使上述内容变得更加简单:github.enthought.com/mayavi/mayavi/auto/… 取消这一点,传入特定值列表似乎在最新版本中可以完美运行,无论它值多少钱。 我刚刚看到它与一些 512^3 数组一起工作得很好。有趣的是,contour3d 的峰值内存消耗似乎大大低于上面的“管道”版本(大约 2.5GB 对 8GB;幸运的是我在一个大的 64 位系统上)。还没有尝试过使用 np.array(...,dtype=np.int16) 之类的东西做任何事情(我认为 np 数组默认为双精度)。 在 ubuntu 15.04 上,我添加了一些修改如下:from mayavi import mlab
【参考方案2】:
补充@DanHickstein 的答案,您还可以使用trisurf
来可视化在行进立方体阶段获得的多边形。
import numpy as np
from numpy import sin, cos, pi
from skimage import measure
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def fun(x, y, z):
return cos(x) + cos(y) + cos(z)
x, y, z = pi*np.mgrid[-1:1:31j, -1:1:31j, -1:1:31j]
vol = fun(x, y, z)
iso_val=0.0
verts, faces = measure.marching_cubes(vol, iso_val, spacing=(0.1, 0.1, 0.1))
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(verts[:, 0], verts[:,1], faces, verts[:, 2],
cmap='Spectral', lw=1)
plt.show()
更新:2018 年 5 月 11 日
正如@DrBwts 所述,现在 marching_cubes 返回4 个值。以下代码有效。
import numpy as np
from numpy import sin, cos, pi
from skimage import measure
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def fun(x, y, z):
return cos(x) + cos(y) + cos(z)
x, y, z = pi*np.mgrid[-1:1:31j, -1:1:31j, -1:1:31j]
vol = fun(x, y, z)
iso_val=0.0
verts, faces, _, _ = measure.marching_cubes(vol, iso_val, spacing=(0.1, 0.1, 0.1))
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(verts[:, 0], verts[:,1], faces, verts[:, 2],
cmap='Spectral', lw=1)
plt.show()
更新:2020 年 2 月 2 日
除了我之前的回答,我应该提一下,从那时起PyVista 已经发布,它使这个 有点轻松的任务。
按照与之前相同的示例。
from numpy import cos, pi, mgrid
import pyvista as pv
#%% Data
x, y, z = pi*mgrid[-1:1:31j, -1:1:31j, -1:1:31j]
vol = cos(x) + cos(y) + cos(z)
grid = pv.StructuredGrid(x, y, z)
grid["vol"] = vol.flatten()
contours = grid.contour([0])
#%% Visualization
pv.set_plot_theme('document')
p = pv.Plotter()
p.add_mesh(contours, scalars=contours.points[:, 2], show_scalar_bar=False)
p.show()
结果如下
更新:2020 年 2 月 24 日
正如@HenriMenke 所说,marching_cubes
已重命名为marching_cubes_lewiner
。 “新”的 sn-p 如下。
import numpy as np
from numpy import cos, pi
from skimage.measure import marching_cubes_lewiner
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
x, y, z = pi*np.mgrid[-1:1:31j, -1:1:31j, -1:1:31j]
vol = cos(x) + cos(y) + cos(z)
iso_val=0.0
verts, faces, _, _ = marching_cubes_lewiner(vol, iso_val, spacing=(0.1, 0.1, 0.1))
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(verts[:, 0], verts[:,1], faces, verts[:, 2], cmap='Spectral',
lw=1)
plt.show()
【讨论】:
marching_cubes 现在返回 4 个值,如果您更改为verts, faces, sumit, sumitelse = measure.marching_cubes(vol, 0, spacing=(0.1, 0.1, 0.1))
,上述代码可以工作
@AndrasDeak,我会说文档非常好并且有很多示例。话虽如此,使用起来有点不同,但并不太难。
好的,我已经仔细检查了 PyVista 文档。你是对的,它看起来非常灵活和强大,即使它的 API 看起来与我习惯的有点不同,并且文档确实充满了示例和有用的交叉链接。有时间我一定会试一试的。
好像marching_cubes
已重命名为marching_cubes_lewiner
。
trisurf 的唯一问题是颜色图:它会跟随 Z 轴 (verts[:,2]),它没有 facecolors,对于定量评估可能有问题即使据说 mayavi复杂一点,它可以绘制 iso_surface 但您也可以将数据导出为 XML 并处理 Paraview 或其他 VTK 查看器【参考方案3】:
如果你想把你的图保存在 matplotlib 中(在我看来,产生出版质量的图像比 mayavi 容易得多),那么你可以使用marching_cubes function implemented in skimage,然后在 matplotlib 中使用
mpl_toolkits.mplot3d.art3d.Poly3DCollection
如上面的链接所示。 Matplotlib 在渲染等值面方面做得很好。这是我用一些真实的断层扫描数据制作的一个例子:
【讨论】:
以上是关于如何在 matplotlib mplot3D 或类似文件中显示 3D 数组等值面的 3D 图?的主要内容,如果未能解决你的问题,请参考以下文章