python:trimesh 用于 STL 文件解析和 3D 操作

news2025/5/12 12:26:10

python:trimesh 是一个用于处理三维模型的库,支持多种格式的导入导出,比如STL、OBJ等,还包含网格操作、几何计算等功能。

Python Trimesh 库使用指南

安装依赖库
pip install trimesh
Downloading trimesh-4.6.8-py3-none-any.whl (709 kB)

pip install pyglet==1.5.27
Downloading pyglet-1.5.27-py3-none-any.whl (1.1 MB)

pip show trimesh
Summary: Import, export, process, analyze and view triangular meshes. (三角网格)
Home-page: https://github.com/mikedh/trimesh

pip show pyglet
Summary: Cross-platform windowing and multimedia library
Home-page: http://pyglet.readthedocs.org/en/latest/

加载三维模型并显示

通过 trimesh 可以轻松加载和显示三维模型文件。以下是实现这一功能的示例代码:

import trimesh

# 加载一个 STL 文件作为示例
mesh = trimesh.load('example_model.stl')

# 显示模型
mesh.show()

此代码片段展示了如何加载 .stl 格式的三维模型,并调用其内置方法来可视化它。
在这里插入图片描述


输出顶点 (Vertices) 和面片 (Faces)

为了获取模型的几何数据,可以访问 verticesfaces 属性。这些属性分别表示模型的所有顶点坐标以及定义三角形面片的索引列表。

import trimesh

# 加载模型
mesh = trimesh.load('example_model.obj', process=False)

# 获取 vertices 和 faces 数据
print("Vertices:", mesh.vertices[:5])  # 打印前五个顶点
print("Faces:", mesh.faces[:5])        # 打印前五个面片

这段代码演示了如何读取模型中的顶点和面片信息。


将 Vertices 和 Faces 转化为模型

如果已经拥有了顶点和面片的数据,则可以通过它们创建一个新的网格对象。

import trimesh

# 定义一些简单的顶点和面片
vertices = [
    [0, 0, 0],
    [1, 0, 0],
    [1, 1, 0],
    [0, 1, 0]
]

faces = [
    [0, 1, 2],
    [2, 3, 0]
]

# 创建新的 Mesh 对象
new_mesh = trimesh.Trimesh(vertices=vertices, faces=faces)

# 显示新生成的模型
new_mesh.show()

以上代码说明了如何手动构建一个由指定顶点和面片组成的简单平面矩形网格。


表面采样与计算最近点

对于某些应用来说,可能需要从现有模型表面上随机抽取样本或者找到某个空间位置最接近的点。

import trimesh

# 加载模型
mesh = trimesh.load('example_model.ply')

# 随机采样表面点
samples, face_indices = mesh.sample(1000, return_index=True)

# 计算给定点到模型的距离及其对应的最近点
point_to_check = np.array([0.5, 0.5, 0])
nearest_distance, nearest_point, _ = mesh.nearest.on_surface(point_to_check)

print(f"Nearest Point: {nearest_point}")
print(f"Distance to Nearest Point: {nearest_distance:.4f}")

这里提供了两种常用的操作:一是基于数量参数对目标物体进行均匀分布抽样;二是查询任意一点相对于整个形状的位置关系。


使用齐次变换矩阵修改网格姿态

当涉及到旋转、平移或其他仿射变化时,可以直接利用四维形式表达出来的转换矩阵作用于原始结构之上完成调整动作。

import trimesh
from scipy.spatial.transform import Rotation as R

# 初始化一个单位立方体
cube = trimesh.creation.box()

# 构造一个绕 Z 轴转 90° 的旋转实例
rotation_vector = [0, 0, np.pi / 2]
rot_matrix = R.from_rotvec(rotation_vector).as_matrix()

# 添加额外的一列零向量构成完整的齐次变换阵列
transform_matrix = np.eye(4)
transform_matrix[:3, :3] = rot_matrix

# 施加变换至原图元上
transformed_cube = cube.copy().apply_transform(transform_matrix)

# 渲染结果对比查看效果差异
scene = trimesh.Scene([cube, transformed_cube])
scene.show()

上述脚本实现了围绕特定轴线执行角度偏移的功能,并且能够直观地观察前后状态之间的区别。


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2373925.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

应急响应基础模拟靶机-security2

PS:杰克创建的流量包(result.pcap)在root目录下,请根据已有信息进行分析 1、首个攻击者扫描端口使用的工具是? 2、后个攻击者使用的漏洞扫描工具是? 3、攻击者上传webshell的绝对路径及User-agent是什么? 4、攻击者反弹shell的…

OpenCV定位地板上的书

任务目标是将下面的图片中的书本找出来: 使用到的技术包括:转灰度图、提取颜色分量、二值化、形态学、轮廓提取等。 我们尝试先把图片转为灰度图,然后二值化,看看效果: 可以看到,二值化后,书的…

NHANES稀有指标推荐:MedHi

文章题目:Association of dietary live microbe intake with frailty in US adults: evidence from NHANES DOI:10.1016/j.jnha.2024.100171 中文标题:美国成人膳食活微生物摄入量与虚弱的相关性:来自 NHANES 的证据 发表杂志&…

关于我在实现用户头像更换时遇到的图片上传和保存的问题

目录 前言 前端更换头像 后端处理 文件系统存储图片 数据库存储图片 处理图片文件 生成图片名 保存图片 将图片路径存储到数据库 完整代码 总结 前言 最近在实现一个用户头像更换的功能,但是因为之前并没有处理过图片的上传和保存,所以就开始…

10.二叉搜索树中第k小的元素(medium)

1.题目链接: 230. 二叉搜索树中第 K 小的元素 - 力扣(LeetCode)230. 二叉搜索树中第 K 小的元素 - 给定一个二叉搜索树的根节点 root ,和一个整数 k ,请你设计一个算法查找其中第 k 小的元素(从 1 开始计数…

AlimaLinux设置静态IP

通过nmcli命令来操作 步骤 1:确认当前活动的网络接口名称 首先,需要确认当前系统中可用的网络接口名称。可以使用以下命令查看: nmcli device步骤 2:修改配置以匹配正确的接口名称 sudo nmcli connection modify ens160 ipv4.…

滑动窗口——将x减到0的最小操作数

题目: 这个题如果我们直接去思考方法是很困难的,因为我们不知道下一步是在数组的左还是右操作才能使其最小。正难则反,思考一下,无论是怎么样的,最终这个数组都会分成三个部分左中右,而左右的组合就是我们…

基于SpringBoot的抽奖系统测试报告

一、编写目的 本报告为抽奖系统测试报告,本项目可用于团体抽奖活动,包括了用户注册,用户登录,修改奖项以及抽奖等功能。 二、项目背景 抽奖系统采用前后端分离的方法来实现,同时使用了数据库来存储相关的数据&…

服务器mysql连接我碰到的错误

搞了2个下午,总算成功了 我在服务器上使用docker部署了java项目与mysql,但mysql连接一直出现问题 1.首先,我使用的是localhost连接,心想反正都在服务器上吧。 jdbc:mysql://localhost:3306/fly-bird?useSSLfalse&serverTime…

【Part 2安卓原生360°VR播放器开发实战】第四节|安卓VR播放器性能优化与设备适配

《VR 360全景视频开发》专栏 将带你深入探索从全景视频制作到Unity眼镜端应用开发的全流程技术。专栏内容涵盖安卓原生VR播放器开发、Unity VR视频渲染与手势交互、360全景视频制作与优化,以及高分辨率视频性能优化等实战技巧。 📝 希望通过这个专栏&am…

从知识图谱到精准决策:基于MCP的招投标货物比对溯源系统实践

前言 从最初对人工智能的懵懂认知,到逐渐踏入Prompt工程的世界,我们一路探索,从私有化部署的实际场景,到对DeepSeek技术的全面解读,再逐步深入到NL2SQL、知识图谱构建、RAG知识库设计,以及ChatBI这些高阶应…

图形化编程革命:iVX携手AI 原生开发范式

一、技术核心:图形化编程的底层架构解析 1. 图形化开发的效率优势:代码量减少 72% 的秘密 传统文本编程存在显著的信息密度瓶颈。以 "按钮点击→条件判断→调用接口→弹窗反馈" 流程为例,Python 实现需定义函数、处理缩进并编写 …

JAVA EE_网络原理_网络层

晨雾散尽,花影清晰。 ​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​ ----------陳長生. ❀主页:陳長生.-CSDN博客❀ 📕上一篇:数据库Mysql_联…

森林生态学研究深度解析:R语言入门、生物多样性分析、机器学习建模与群落稳定性评估

在生态学研究中,森林生态系统的结构、功能与稳定性是核心研究内容之一。这些方面不仅关系到森林动态变化和物种多样性,还直接影响森林提供的生态服务功能及其应对环境变化的能力。森林生态系统的结构主要包括物种组成、树种多样性、树木的空间分布与密度…

AI大模型学习十八、利用Dify+deepseekR1 +本地部署Stable Diffusion搭建 AI 图片生成应用

一、说明 最近在学习Dify工作流的一些玩法,下面将介绍一下Dify Stable Diffusion实现文生图工作流的应用方法 Dify与Stable Diffusion的协同价值 Dify作为低代码AI开发平台的优势:可视化编排、API快速集成 Stable Diffusion的核心能力:高效…

关于chatshare.xyz激活码使用说明和渠道指南!

chatshare.xyz和chatshare.biz是两个被比较的平台,分别在其功能特性和获取渠道有所不同。 本文旨在探讨它们的差异,以及提供如何获取并使用的平台信息。此外,还提及其他一些相关资源和模板推荐以满足用户需求。 主要区分关键点 1、chatshar…

Qt开发经验 --- 避坑指南(14)

文章目录 [toc]1 linux下使用linuxdeploy打包2 Qt源码下载3 QtCreator配置github copilot实现AI编程4 使用其它编程AI辅助开发Qt5 Qt开源UI库6 QT6.8以后版本安装QtWebEngine7 清除QtCreator配置 更多精彩内容👉内容导航 👈👉Qt开发经验 &…

MIT 6.S081 2020 Lab3 page tables 个人全流程

文章目录 零、写在前面1、关于页表2、RISC-V Rv39页表机制3、虚拟地址设计4、页表项设计5、访存流程6、xv6 的页表切换7、页表遍历 一、Print a page table1.1 说明1.2 实现 二、A kernel page table per process2.1 说明2.2 初始化 / 映射相关2.3 用户内核页表的创建和回收2.4…

【Redis】Redis的主从复制

文章目录 1. 单点问题2. 主从模式2.1 建立复制2.2 断开复制 3. 拓扑结构3.1 三种结构3.2 数据同步3.3 复制流程3.3.1 psync运行流程3.3.2 全量复制3.3.3 部分复制3.3.4 实时复制 1. 单点问题 单点问题:某个服务器程序,只有一个节点(只搞一个…

第04章—技术突击篇:如何根据求职意向进行快速提升与复盘

经过上一讲的内容阐述后,咱们定好了一个与自身最匹配的期望薪资,接着又该如何准备呢? 很多人在准备时,通常会选择背面试八股文,这种做法效率的确很高,毕竟能在“八股文”上出现的题,也绝对是面…