在Vedo中实现交互式3D点数据采集与可视化的技术实践
2025-07-04 16:13:23作者:邵娇湘
Vedo是一个基于VTK的Python库,专门用于3D科学数据可视化。本文将详细介绍如何使用Vedo实现一个交互式的3D点数据采集系统,包括如何添加自定义回调函数处理用户交互事件。
核心功能实现
1. 基础场景搭建
首先需要创建一个基本的3D场景,加载模型并显示初始数据点:
model = load(dataurl + "bunny.obj").c("lightgrey")
pts_e = Points(emitters, r=9).c("red") # 发射器点
pts_r = Points(receivers, r=9).c("lime") # 接收器点
lns = Lines(rays[:, :3], rays[:, 3:6], c="orange", lw=2) # 连接线
2. 交互式点添加功能
通过键盘回调函数实现交互式点添加功能:
def callback(evt):
if evt.keypress == "e": # 添加发射器
pt = evt.picked3d
if pt:
added_e.append(pt)
pt_show = Point(pt, r=9).c("indianred")
plt.add(pt_show)
elif evt.keypress == "t": # 添加接收器
pt = evt.picked3d
if pt:
added_r.append(pt)
pt_show = Point(pt, r=9).c("mediumseagreen")
plt.add(pt_show)
3. 可视化控制
实现连接线的显示/隐藏切换功能:
elif evt.keypress == "c": # 显示连接线
model.alpha(0.5)
lns.toggle()
elif evt.keypress == "b": # 隐藏连接线
model.alpha(1)
4. 关键配置项
为确保交互功能正常工作,需要设置以下关键配置:
settings.enable_default_keyboard_callbacks = False
这一设置禁用了Vedo的默认键盘回调,确保自定义回调能够正确响应。
技术要点解析
-
事件处理机制:Vedo基于VTK的事件系统构建,通过
add_callback方法可以注册各种类型的事件处理器。 -
3D拾取技术:
evt.picked3d属性提供了鼠标当前位置对应的3D坐标,这是实现交互式点添加的基础。 -
对象管理:使用
plt.add()方法动态添加新对象到场景中,比直接使用show()方法更高效。 -
渲染优化:在回调函数末尾调用
plt.render()确保场景及时更新。
常见问题解决方案
-
交互无响应:确保禁用了默认键盘回调,并检查回调函数是否正确注册。
-
性能问题:避免在回调函数中进行复杂计算,保持回调函数简洁高效。
-
坐标转换:理解
picked3d返回的是世界坐标系下的坐标,必要时进行坐标转换。
应用场景扩展
这种交互式3D数据采集系统可广泛应用于:
- 医学影像标记
- 工业设计中的参考点设置
- 科学实验数据采集
- 3D建模辅助工具
通过Vedo强大的可视化能力和灵活的交互机制,开发者可以快速构建出功能丰富的3D交互应用。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
Python开发者的macOS终极指南:VSCode安装配置全攻略 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492