На этом шаге мы начнем рассматривать фильтры.

    Фильтры в pipeline Mayavi предназначены только для трансформации данных, они не производят визуализацию данных. Рассмотрим некоторые из фильтров, которые могут быть полезны в работе.

CellDerivatives

    Вычисляет производные для входного набора данных (скалярные либо векторные данные), строит набор ячеек, значениями в которых будут производные.

    Пример:

import numpy as np
from mayavi import mlab

x, y = np.mgrid[-2:2:0.1, -2:2:0.1]
z = np.cos(x * y) * np.sin(x * y)

src = mlab.pipeline.array2d_source(z)
cell_drv = mlab.pipeline.cell_derivatives(src)
mlab.pipeline.glyph(cell_drv, mode='cube')

mlab.show()

    Для изображения, представленного на рисунке 1, будет построено поле со значениями производных, изображённое на рисунке 2.

Рис.1. Исходное изображение

Рис.2. Демонстрация работы фильтра CellDerivatives

CellToPointData

    Преобразует cell атрибут с данными в point атрибут, значение для point определяется как среднее ячеек, к которым эта точка принадлежит. Существует обратный к нему фильтр PointToCellData.

Contour

    Контурный фильтр для создания изоповерхностей.

CutPlane

    Интерактивный фильтр с 3D-инструментом на сцене, который позволяет строить срезы для наборов данных.

    Пример:

import numpy as np
from mayavi import mlab

x, y, z = np.ogrid[-7:7:0.5, -7:7:0.5, -1:7:0.5]
scalars = x * x + y * y - z * z

src = mlab.pipeline.scalar_field(scalars)
cut_pl = mlab.pipeline.cut_plane(src)
mlab.pipeline.surface(cut_pl)
mlab.pipeline.iso_surface(src, contours=3, transparent=True)

mlab.show()

Рис.3. Демонстрация работы фильтра CutPlane

    На следующем шаге мы продолжим изучение этого вопроса.

Предыдущий шаг Содержание Следующий шаг