B样条曲线(记录)

2024-03-31 16:44
文章标签 记录 曲线 样条

本文主要是介绍B样条曲线(记录),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        B样条曲线的生成靠的两点:

                1、控制点

                2、基函数

        B样条曲线的基函数是一个De Boor的递归表达式[1]:

                B_{i},_{0}(u)=\left\{\begin{matrix} 1, u_{i}\leqslant u\leqslant u_{i+1}\\0, otherwise \end{matrix}\right.                                                                (1)

                B_{i},_{d}(u)=\frac{u-u_{i}}{u_{i+d}-u_{i}}B_{i},_{d-1}(u)+\frac{u_{i+d+1}-u}{u_{i+d+1}-u_{i+1}}B_{i+1},_{d-1}(u)                    (2)

        其中B_{i},_{d}(u)是第id阶基函数。

        而B样条曲线可以表示为[2]:

                P(u)=\sum_{i=0}^{n}p_{i}B_{i},_{d}(u)                                                                        (3)

        如何理解上式?首先,我们知道,如果一个函数在定义域内处处可微(处处连续),则可以通过被泰勒展开成一个多项式级数。换言之,只要阶数足够,对于任意的连续可微曲线,都可以用一个多项式去逼近。B样条曲线的表达式就是一个d阶多项式。它的定义域通过节点区间来表示[1][2]。

        接下来,我们通过一个简单的例子来逐步理解B样条曲线。

        我们以3个控制点的B样条曲线为例。其表达式为:

                P(u)=p_{0}B_{0},_{d}(u)+p_{1}B_{1},_{d}(u)+p_{2}B_{2},_{d}(u)

        现在我们来看一下上式的3个基函数。由式(2),我们可知d-1阶的基函数如下图:

d-1阶基函数的个数为:3\cdot 2-2=4,简单归纳一下:

        设N为控制点的个数,则d阶的基函数个数也为N,而d-1阶的基函数个数为:N\cdot 2-(N-1)=N+1。即低一阶的基函数个数是高一阶加一。则0阶的基函数的个数为:

\left ( \left ( \left ( \left ( \left ( N \right )+1 \right )+1 \right )+1 \right )+...+1 \right )=N+d

        另外,对于多项式的阶,必须小于已知数据点数的个数。于是我们设d=N-1。则0阶的基函数个数为2N-1,为奇数。

        接下来,我们来看看节点区间。对于0阶基函数,一个基函数对应一个节点区间。所以节点区间的个数,我们以3个0阶基函数为例:

为3个区间,共计4个节点,也即节点数为0阶基函数个数加一,即2N个节点。

        另外,当我们选取一个参数u时,由于节点区间不相交,所以我们由式(1)可知0阶基函数,由且只有一个基函数的值为1。其余皆为0。考虑如下情况:

u取在区间[u_{i},u_{i+1})时,我们可以发现在1阶基函数,所有基函数相机等于1。因为0阶基函数只有一个起作用,而其余基函数的值为0.递推到1阶,所有1阶基函数,变为2个基函数起作用。而这两个基函数相加:B_{i-1},_{1}(u)+B_{i},_{1}(u)=\frac{u_{i+1}-u}{u_{i+1}-u_{i}}B_{i},_{0}(u)+\frac{u-u_{i}}{u_{i+1}-u_{i}}B_{i},_{0}(u)=B_{i},_{0}=1

        同理,到了2阶基函数,我们可以得到:

B_{i-2},_{2}(u)+B_{i-1},_{2}(u)=B_{i-1},_{1}(u)           B_{i-1},_{2}(u)+B_{i},_{2}(u)=B_{i},_{1}(u)

也即2阶基函数相加也等于1。以此类推,我们得出一个结论,d阶基函数相加等于1。

        现在来考虑如下的递归过程。假设我们有4个控制点,阶数d=3。于是基函数的传递如下:

假如我们把u取在[u_{0},u_{1})内,则B_{0},_{0}=1,而其余0阶基函数为0。按照以上的结论,我们知道

B_{0},_{0}(u)=B_{-1},_{1}(u)+B_{0},_{1}(u)=1,而实际上,没有B_{-1},_{1}(u)。于是到了1阶,基函数之和不等于1。而且每进一阶,基函数之和都会有损失。

        同时,我们还希望,当u取u=u_{0}或者u=u_{2n-1}时,曲线与控制点0或者控制点n重合。换句话说,就是曲线在端点处与控制点重合,也即B_{0},_{3}(u)=1,而其余3阶基函数等于0。很明显,u=u_{0}无法使以上条件成立。为了实现以上条件,必须解决基函数之和损失的问题。那么u就必须取在区间[u_{3},u_{4})内。当u=u_{3}时,递归到3阶可得B_{0},_{3}(u)=1,而其余为0。当u=u_{4}时,递归到3阶可得B_{3},_{3}(u)=1,而其余为0。因此为了满足基函数之和为1。而且当u取在区间端点时,曲线与控制点重合。我们必须舍弃[u_{3},u_{4})之外的区间。这个操作叫“重复度”。具体的操作是令u_{3}之前的节点都等于u_{3}。而u_{4}之后的节点都等于u_{4}。也即[u_{d},u_{d+1})区间之外,其余区间节点都分别赋值u_{d},u_{d+1}

        例如,原本各区间为[u_{0}=0,u_{1}=1),[u_{1}=1,u_{2}=2),[u_{2}=2,u_{3}=3),[u_{3}=3,u_{4}=4),[u_{4}=4,u_{5}=5),[u_{5}=5,u_{6}=6),[u_{6}=6,u_{7}=7]。进行“重复度”操作后,节点区间变为:[u_{0}=3,u_{1}=3),[u_{1}=3,u_{2}=3),[u_{2}=3,u_{3}=3),[u_{3}=3,u_{4}=4),[u_{4}=4,u_{5}=4),[u_{5}=4,u_{6}=4),[u_{6}=4,u_{7}=4],甚至干脆,我们取u_{3}=0,u_{4}=1

        接下来,我们设\alpha =\frac{u_{i+1}-u}{u_{i+1}-u_{i}},\beta =\frac{u-u_{i}}{u_{i+1}-u_{i}},我们可以得到如下的基函数系数传递图:

则我们可以得到d阶第i个基函数为B_{i},_{d}(u)=Q_{i},_{d}\alpha ^{d-i}\beta ^{i}B_{d},_{0}(u)=Q_{i},_{d}\alpha ^{d-i}\beta ^{i},其中Q_{i},_{d}为如下分布的系数:

以上三角序列为杨辉三角序列,因此Q_{i},_{d}=C^{i}_{d},i\in [0,d]

参考:

1、样条曲线曲面-3:BSpline的原理

2、详解B样条曲线

这篇关于B样条曲线(记录)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/864809

相关文章

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

轨迹规划-B样条

B样条究竟是干啥的?白话就是给出一堆点,用样条的方式,给这些点连接起来,并保证丝滑的。 同时B样条分为准均匀和非均匀,以下为准均匀为例。 参考链接1:https://zhuanlan.zhihu.com/p/50626506https://zhuanlan.zhihu.com/p/50626506 参考链接2: https://zhuanlan.zhihu.com/p/536470972h

PR曲线——一个更敏感的性能评估工具

在不均衡数据集的情况下,精确率-召回率(Precision-Recall, PR)曲线是一种非常有用的工具,因为它提供了比传统的ROC曲线更准确的性能评估。以下是PR曲线在不均衡数据情况下的一些作用: 关注少数类:在不均衡数据集中,少数类的样本数量远少于多数类。PR曲线通过关注少数类(通常是正类)的性能来弥补这一点,因为它直接评估模型在识别正类方面的能力。 精确率与召回率的平衡:精确率(Pr

学习记录:js算法(二十八):删除排序链表中的重复元素、删除排序链表中的重复元素II

文章目录 删除排序链表中的重复元素我的思路解法一:循环解法二:递归 网上思路 删除排序链表中的重复元素 II我的思路网上思路 总结 删除排序链表中的重复元素 给定一个已排序的链表的头 head , 删除所有重复的元素,使每个元素只出现一次 。返回 已排序的链表 。 图一 图二 示例 1:(图一)输入:head = [1,1,2]输出:[1,2]示例 2:(图

perl的学习记录——仿真regression

1 记录的背景 之前只知道有这个强大语言的存在,但一直侥幸自己应该不会用到它,所以一直没有开始学习。然而人生这么长,怎就确定自己不会用到呢? 这次要搭建一个可以自动跑完所有case并且打印每个case的pass信息到指定的文件中。从而减轻手动跑仿真,手动查看log信息的重复无效低质量的操作。下面简单记录下自己的思路并贴出自己的代码,方便自己以后使用和修正。 2 思路整理 作为一个IC d

SSM项目使用AOP技术进行日志记录

本步骤只记录完成切面所需的必要代码 本人开发中遇到的问题: 切面一直切不进去,最后发现需要在springMVC的核心配置文件中中开启注解驱动才可以,只在spring的核心配置文件中开启是不会在web项目中生效的。 之后按照下面的代码进行配置,然后前端在访问controller层中的路径时即可观察到日志已经被正常记录到数据库,代码中有部分注释,看不懂的可以参照注释。接下来进入正题 1、导入m

flume系列之:记录一次flume agent进程被异常oom kill -9的原因定位

flume系列之:记录一次flume agent进程被异常oom kill -9的原因定位 一、背景二、定位问题三、解决方法 一、背景 flume系列之:定位flume没有关闭某个时间点生成的tmp文件的原因,并制定解决方案在博主上面这篇文章的基础上,在机器内存、cpu资源、flume agent资源都足够的情况下,flume agent又出现了tmp文件无法关闭的情况 二、

Linux常用工具与命令日常记录(长期更新)

Linux常用工具与命令日常记录(长期更新) 目录 1.本地复制到远程2.Linux压缩拆包与解压3.生成随机密码4.ubuntu默认Python版本设置5.计算当前文件夹中文件数量6.windows中编写shell脚本,在Linux运行出错7.history 历史命令显示时间用户8.Ubuntu18.04设置源、网卡9.Ubuntu18.04设置网卡10.Ubuntu:自定义开

Excel和Word日常使用记录:

Excel使用总结 表格颜色填充: 合并单元格: 选中你要合并的单元格区域。按下快捷键 Alt + H,然后松开这些键。再按下 M,接着按 C。这个组合键执行的操作是:Alt + H:打开“主页”选项卡。M:选择“合并单元格”选项。C:执行“合并并居中”操作。 插入行: 在Excel中,插入一行的快捷键是:Windows:选择整行(可以点击行号)。按下 Ctrl + Sh