python基于三阶贝塞尔曲线的数据平滑算法
前言
很多文章在谈及曲线平滑的时候,习惯使用拟合的概念,我认为这是不恰当的。平滑后的曲线,一定经过原始的数据点,而拟合曲线,则不一定要经过原始数据点。
一般而言,需要平滑的数据分为两种:时间序列的单值数据、时间序列的二维数据。对于前者,并非一定要用贝塞尔算法,仅用样条插值就可以轻松实现平滑;而对于后者,不管是 numpy 还是 scipy 提供的那些插值算法,就都不适用了。
本文基于三阶贝塞尔曲线,实现了时间序列的单值数据和时间序列的二维数据的平滑算法,可满足大多数的平滑需求。
贝塞尔曲线
关于贝塞尔曲线的数学原理,这里就不讨论了,直接贴出结论:
一阶贝塞尔曲线
二阶贝塞尔曲线
三阶贝塞尔曲线
算法描述
如果我们把三阶贝塞尔曲线的 P0 和 P3 视为原始数据,只要找到 P1 和 P2 两个点(我们称其为控制点),就可以根据三阶贝塞尔曲线公式,计算出 P0 和 P3 之间平滑曲线上的任意点。
现在,平滑问题变成了如何计算两个原始数据点之间的控制点的问题。步骤如下:
第1步:绿色直线连接相邻的原始数据点,计算出个线段的中点,红色直线连接相邻的中点
第2步:根据相邻两条绿色直线长度之比,分割其中点之间红色连线,标记分割点
第3步:平移红色连线,使其分割点与相对的原始数据点重合
第4步:调整平移后红色连线的端点与原始数据点的距离,通常缩减40%-80%
算法实现
# -*- coding: utf-8 -*- import numpy as np def bezier_curve(p0, p1, p2, p3, inserted): """ 三阶贝塞尔曲线 p0, p1, p2, p3 - 点坐标,tuple、list或numpy.ndarray类型 inserted - p0和p3之间插值的数量 """ assert isinstance(p0, (tuple, list, np.ndarray)), u'点坐标不是期望的元组、列表或numpy数组类型' assert isinstance(p0, (tuple, list, np.ndarray)), u'点坐标不是期望的元组、列表或numpy数组类型' assert isinstance(p0, (tuple, list, np.ndarray)), u'点坐标不是期望的元组、列表或numpy数组类型' assert isinstance(p0, (tuple, list, np.ndarray)), u'点坐标不是期望的元组、列表或numpy数组类型' if isinstance(p0, (tuple, list)): p0 = np.array(p0) if isinstance(p1, (tuple, list)): p1 = np.array(p1) if isinstance(p2, (tuple, list)): p2 = np.array(p2) if isinstance(p3, (tuple, list)): p3 = np.array(p3) points = list() for t in np.linspace(0, 1, inserted+2): points.append(p0*np.power((1-t),3) + 3*p1*t*np.power((1-t),2) + 3*p2*(1-t)*np.power(t,2) + p3*np.power(t,3)) return np.vstack(points) def smoothing_base_bezier(date_x, date_y, k=0.5, inserted=10, closed=False): """ 基于三阶贝塞尔曲线的数据平滑算法 date_x - x维度数据集,list或numpy.ndarray类型 date_y - y维度数据集,list或numpy.ndarray类型 k - 调整平滑曲线形状的因子,取值一般在0.2~0.6之间。默认值为0.5 inserted - 两个原始数据点之间插值的数量。默认值为10 closed - 曲线是否封闭,如是,则首尾相连。默认曲线不封闭 """ assert isinstance(date_x, (list, np.ndarray)), u'x数据集不是期望的列表或numpy数组类型' assert isinstance(date_y, (list, np.ndarray)), u'y数据集不是期望的列表或numpy数组类型' if isinstance(date_x, list) and isinstance(date_y, list): assert len(date_x)==len(date_y), u'x数据集和y数据集长度不匹配' date_x = np.array(date_x) date_y = np.array(date_y) elif isinstance(date_x, np.ndarray) and isinstance(date_y, np.ndarray): assert date_x.shape==date_y.shape, u'x数据集和y数据集长度不匹配' else: raise Exception(u'x数据集或y数据集类型错误') # 第1步:生成原始数据折线中点集 mid_points = list() for i in range(1, date_x.shape[0]): mid_points.append({ 'start': (date_x[i-1], date_y[i-1]), 'end': (date_x[i], date_y[i]), 'mid': ((date_x[i]+date_x[i-1])/2.0, (date_y[i]+date_y[i-1])/2.0) }) if closed: mid_points.append({ 'start': (date_x[-1], date_y[-1]), 'end': (date_x[0], date_y[0]), 'mid': ((date_x[0]+date_x[-1])/2.0, (date_y[0]+date_y[-1])/2.0) }) # 第2步:找出中点连线及其分割点 split_points = list() for i in range(len(mid_points)): if i < (len(mid_points)-1): j = i+1 elif closed: j = 0 else: continue x00, y00 = mid_points[i]['start'] x01, y01 = mid_points[i]['end'] x10, y10 = mid_points[j]['start'] x11, y11 = mid_points[j]['end'] d0 = np.sqrt(np.power((x00-x01), 2) + np.power((y00-y01), 2)) d1 = np.sqrt(np.power((x10-x11), 2) + np.power((y10-y11), 2)) k_split = 1.0*d0/(d0+d1) mx0, my0 = mid_points[i]['mid'] mx1, my1 = mid_points[j]['mid'] split_points.append({ 'start': (mx0, my0), 'end': (mx1, my1), 'split': (mx0+(mx1-mx0)*k_split, my0+(my1-my0)*k_split) }) # 第3步:平移中点连线,调整端点,生成控制点 crt_points = list() for i in range(len(split_points)): vx, vy = mid_points[i]['end'] # 当前顶点的坐标 dx = vx - split_points[i]['split'][0] # 平移线段x偏移量 dy = vy - split_points[i]['split'][1] # 平移线段y偏移量 sx, sy = split_points[i]['start'][0]+dx, split_points[i]['start'][1]+dy # 平移后线段起点坐标 ex, ey = split_points[i]['end'][0]+dx, split_points[i]['end'][1]+dy # 平移后线段终点坐标 cp0 = sx+(vx-sx)*k, sy+(vy-sy)*k # 控制点坐标 cp1 = ex+(vx-ex)*k, ey+(vy-ey)*k # 控制点坐标 if crt_points: crt_points[-1].insert(2, cp0) else: crt_points.append([mid_points[0]['start'], cp0, mid_points[0]['end']]) if closed: if i < (len(mid_points)-1): crt_points.append([mid_points[i+1]['start'], cp1, mid_points[i+1]['end']]) else: crt_points[0].insert(1, cp1) else: if i < (len(mid_points)-2): crt_points.append([mid_points[i+1]['start'], cp1, mid_points[i+1]['end']]) else: crt_points.append([mid_points[i+1]['start'], cp1, mid_points[i+1]['end'], mid_points[i+1]['end']]) crt_points[0].insert(1, mid_points[0]['start']) # 第4步:应用贝塞尔曲线方程插值 out = list() for item in crt_points: group = bezier_curve(item[0], item[1], item[2], item[3], inserted) out.append(group[:-1]) out.append(group[-1:]) out = np.vstack(out) return out.T[0], out.T[1] if __name__ == '__main__': import matplotlib.pyplot as plt x = np.array([2,4,4,3,2]) y = np.array([2,2,4,3,4]) plt.plot(x, y, 'ro') x_curve, y_curve = smoothing_base_bezier(x, y, k=0.3, closed=True) plt.plot(x_curve, y_curve, label='$k=0.3$') x_curve, y_curve = smoothing_base_bezier(x, y, k=0.4, closed=True) plt.plot(x_curve, y_curve, label='$k=0.4$') x_curve, y_curve = smoothing_base_bezier(x, y, k=0.5, closed=True) plt.plot(x_curve, y_curve, label='$k=0.5$') x_curve, y_curve = smoothing_base_bezier(x, y, k=0.6, closed=True) plt.plot(x_curve, y_curve, label='$k=0.6$') plt.legend(loc='best') plt.show()
下图为平滑效果。左侧是封闭曲线,两个原始数据点之间插值数量为默认值10;右侧为同样数据不封闭的效果,k值默认0.5.
参考资料
算法参考了 Interpolation with Bezier Curves 这个网页,里面没有关于作者的任何信息,在此只能笼统地向国际友人表示感谢!
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
相关文章
python代码 if not x: 和 if x is not None: 和 if not x is None:使用
这篇文章主要介绍了python代码 if not x: 和 if x is not None: 和 if not x is None:使用介绍,需要的朋友可以参考下2016-09-09
最新评论