連結度#

この例では, connectivity() フィルタの応用例を紹介します.

ノイズの多い等値面を取り除く#

ノイズの多い等値面を削除するには,連結度を使用します.

このセクションは この VTK の例 に似ています.

import numpy as np

import pyvista as pv
from pyvista import examples

ノイズの多い等値面を持つデータセットをロードします

pine_roots = examples.download_pine_roots()

# Plot the raw data
cpos = [(40.6018, -280.533, 47.0172), (40.6018, 37.2813, 50.1953), (0.0, 0.0, 1.0)]
p = pv.Plotter()
p.add_mesh(pine_roots, color='#965434')
p.add_mesh(pine_roots.outline())
p.show(cpos=cpos)
connectivity

プロットされたメッシュは非常にノイズが多いです. connectivity() フィルタの 'largest' extraction_mode を使用することで,最大連結等曲面を抽出することができます.同様に, extract_largest() フィルタを使用することもできます.

# Grab the largest connected volume present
largest = pine_roots.connectivity('largest')
# or: largest = mesh.extract_largest()

p = pv.Plotter()
p.add_mesh(largest, color='#965434')
p.add_mesh(pine_roots.outline())
p.camera_position = cpos
p.show()
connectivity

小領域の抽出#

上記のノイズの多い等値面を除去する例で除去された,より小さい 'noisy' な領域を抽出するために接続性を使用します.

まず,すべての領域IDのリストを取得します.

all_regions = pine_roots.connectivity('all')
region_ids = np.unique(all_regions['RegionId'])

領域IDは降順 (セル数順) にソートされているので, connectivity() フィルタの 'specified'` extraction_mode を使用して,最大の領域を除くすべての領域を抽出することができます.

noise_region_ids = region_ids[1::]  # All region ids except '0'
noise = pine_roots.connectivity('specified', noise_region_ids)

ノイズの多い領域をプロットします.文脈のために、最大の領域もプロットします.

p = pv.Plotter()
p.add_mesh(noise, cmap='glasbey', categories=True)
p.add_mesh(largest, color='lightgray', opacity=0.1)
p.add_mesh(pine_roots.outline())
p.camera_position = cpos
p.show()
connectivity

切断された領域にラベルをする#

接続性を使用して,すべての切断された領域にラベルを付けます.

このセクションは `このVTKの例<https://examples.vtk.org/site/Cxx/PolyData/ColorDisconnectedRegionsDemo/>`__ に似ています.

まず,切断された領域を含むデータセットをロードします.

mesh = examples.download_foot_bones()

すべての領域を抽出します.

conn = mesh.connectivity('all')

ラベルを付けた領域をプロットします.

# Format scalar bar text for integer values.
scalar_bar_args = dict(
    fmt='%.f',
)

cpos = [(10.5, 12.2, 18.3), (0.0, 0.0, 0.0), (0.0, 1.0, 0.0)]

conn.plot(
    categories=True,
    cmap='glasbey',
    scalar_bar_args=scalar_bar_args,
    cpos=cpos,
)
connectivity

シードポイントから領域を抽出する#

スカラーデータとシードポイントを用いて,連結性を利用して関心のある領域を抽出します.

まず,顕著な特徴を持つデータセットを作成します.ここでは丘を作り,曲率を使って山と谷を定義します.

mesh = pv.ParametricRandomHills()
mesh["Curvature"] = mesh.curvature()

山と谷を視覚化します.山は正の曲率が大きい (つまり凸状) 谷は負の曲率が大きい (つまり凹状) 平坦な領域は曲率がゼロに近いです.

mesh.plot(
    clim=[-0.5, 0.5],
    cmap='bwr',
    below_color='blue',
    above_color='red',
)
connectivity

connectivity() フィルターの 'point_seed' extraction_mode を使用して関心のある領域を抽出します. 曲率が最大になるシードポイントを使用して,最も急峻なピークを抽出してみましょう.

# Get seed point
peak_point_id = np.argmax(mesh['Curvature'])

# Define a scalar range of the region to extract
data_min, data_max = mesh.get_data_range()
peak_range = [0.2, data_max]  # Peak if curvature > 0.2

peak_mesh = mesh.connectivity('point_seed', peak_point_id, scalar_range=peak_range)

connectivity() フィルターの 'closeest' extraction_mode を使用して,最も急峻なピークに最も近い谷も抽出してみましょう.

valley_range = [data_min, -0.2]  # Valley if curvature < -0.2
peak_point = mesh.points[peak_point_id]
valley_mesh = mesh.connectivity('closest', peak_point, scalar_range=valley_range)

抽出された領域をプロットします.

p = pv.Plotter()
_ = p.add_mesh(mesh, style='wireframe', color='lightgray')
_ = p.add_mesh(peak_mesh, color='red', label='Steepest Peak')
_ = p.add_mesh(valley_mesh, color='blue', label='Closest Valley')
_ = p.add_legend()
p.show()
connectivity

Total running time of the script: (0 minutes 9.658 seconds)

Sphinx-Galleryによるギャラリー