To może być trochę przesada, ale właściwa droga, aby znaleźć punkt przecięcia, gdy już podzielone krzywą na kawałki, aby sprawdzić, czy każdy odcinek od pierwszego kawałka przecina się z każdym segmencie z drugiej porcji.
mam zamiar zrobić sobie kilka prostych danych, kawałek o prolate cycloid i zamierzam znaleźć miejsca gdzie współrzędna y koziołki ze zwiększenia się do zmniejszenia podobnie do here:
a, b = 1, 2
phi = np.linspace(3, 10, 100)
x = a*phi - b*np.sin(phi)
y = a - b*np.cos(phi)
y_growth_flips = np.where(np.diff(np.diff(y) > 0))[0] + 1
plt.plot(x, y, 'rx')
plt.plot(x[y_growth_flips], y[y_growth_flips], 'bo')
plt.axis([2, 12, -1.5, 3.5])
plt.show()
Jeśli masz dwa segmenty, jeden przechodzący od punktu P0
do P1
, a drugi biegnący od punktu Q0
do Q1
, możesz znaleźć punkt przecięcia, rozwiązując równanie wektorowe P0 + s*(P1-P0) = Q0 + t*(Q1-Q0)
, a dwa segmenty faktycznie przecinają się, jeśli oba s
i t
są w [0, 1]
.Starając się to dla wszystkich segmentów:
x_down = x[y_growth_flips[0]:y_growth_flips[1]+1]
y_down = y[y_growth_flips[0]:y_growth_flips[1]+1]
x_up = x[y_growth_flips[1]:y_growth_flips[2]+1]
y_up = y[y_growth_flips[1]:y_growth_flips[2]+1]
def find_intersect(x_down, y_down, x_up, y_up):
for j in xrange(len(x_down)-1):
p0 = np.array([x_down[j], y_down[j]])
p1 = np.array([x_down[j+1], y_down[j+1]])
for k in xrange(len(x_up)-1):
q0 = np.array([x_up[k], y_up[k]])
q1 = np.array([x_up[k+1], y_up[k+1]])
params = np.linalg.solve(np.column_stack((p1-p0, q0-q1)),
q0-p0)
if np.all((params >= 0) & (params <= 1)):
return p0 + params[0]*(p1 - p0)
>>> find_intersect(x_down, y_down, x_up, y_up)
array([ 6.28302264, 1.63658676])
crossing_point = find_intersect(x_down, y_down, x_up, y_up)
plt.plot(crossing_point[0], crossing_point[1], 'ro')
plt.show()
W moim systemie, to może obsłużyć około 20 skrzyżowań na sekundę, co nie jest super, ale na tyle pewnie, aby analizować wykresy co jakiś czas. Możesz być w stanie spped rzeczy przez Wektoryzacja rozwiązania systemów 2x2 liniowej:
def find_intersect_vec(x_down, y_down, x_up, y_up):
p = np.column_stack((x_down, y_down))
q = np.column_stack((x_up, y_up))
p0, p1, q0, q1 = p[:-1], p[1:], q[:-1], q[1:]
rhs = q0 - p0[:, np.newaxis, :]
mat = np.empty((len(p0), len(q0), 2, 2))
mat[..., 0] = (p1 - p0)[:, np.newaxis]
mat[..., 1] = q0 - q1
mat_inv = -mat.copy()
mat_inv[..., 0, 0] = mat[..., 1, 1]
mat_inv[..., 1, 1] = mat[..., 0, 0]
det = mat[..., 0, 0] * mat[..., 1, 1] - mat[..., 0, 1] * mat[..., 1, 0]
mat_inv /= det[..., np.newaxis, np.newaxis]
import numpy.core.umath_tests as ut
params = ut.matrix_multiply(mat_inv, rhs[..., np.newaxis])
intersection = np.all((params >= 0) & (params <= 1), axis=(-1, -2))
p0_s = params[intersection, 0, :] * mat[intersection, :, 0]
return p0_s + p0[np.where(intersection)[0]]
Tak, to bałagan, ale to działa, i robi tak x100 razy szybciej:
find_intersect(x_down, y_down, x_up, y_up)
Out[67]: array([ 6.28302264, 1.63658676])
find_intersect_vec(x_down, y_down, x_up, y_up)
Out[68]: array([[ 6.28302264, 1.63658676]])
%timeit find_intersect(x_down, y_down, x_up, y_up)
10 loops, best of 3: 66.1 ms per loop
%timeit find_intersect_vec(x_down, y_down, x_up, y_up)
1000 loops, best of 3: 375 us per loop
żaden z linków działa dla mnie. – gggg
Zastanawiam się, w jaki sposób osiągnąłeś efekt powiększenia z matplotlibem –