本文仅简述B样条曲线的公式推导,并给出了一种代码实现。在阅读本文之前,请确保你已经对B样条曲线的背景知识有所了解。相关知识可以通过以下课程进行学习:MOOC-计算机图形学-中国农业大学-赵明或者观看B站搬运版。
公式定义
给定如下参数:
- n + 1 n+1 n+1个控制点 P i ( i = 0 , 1 , ⋯ , n ) P_i(i=0,1,\cdots,n) Pi(i=0,1,⋯,n)
- n + k + 1 ( 2 ⩽ k ⩽ n + 1 ) n+k+1(2\leqslant k\leqslant n+1) n+k+1(2⩽k⩽n+1)个参数: { u i ∣ i = 0 , 1 , ⋯ , n + k } \{u_i|i=0,1,\cdots,n+k\} { ui∣i=0,1,⋯,n+k}
构造多项式函数
P ( u ) = ∑ i = 0 n P i B i , k ( u ) , u ∈ [ u k − 1 , u n + 1 ] (1) \mathcal{P}(u)=\sum_{i=0}^{n}P_i B_{i,k}(u), \quad u\in[u_{k-1},u_{n+1}] \tag{1} P(u)=i=0∑nPiBi,k(u),u∈[uk−1,un+1](1)来逼近曲线。其中 B i , k ( u ) B_{i,k}(u) Bi,k(u)称为 k k k阶( k − 1 k-1 k−1次)B样条基函数,它是由DeBoor-Cox递推公式来定义的:
B i , 1 ( u ) = { 1 , u i ⩽ u < u i + 1 0 , o t h e r w i s e , B i , k ( u ) = u − u i u i + k − 1 − u i B i , k − 1 ( u ) + u i + k − u u i + k − u i + 1 B i + 1 , k − 1 ( u ) 。 (2) \begin{alignedat}{3} & B_{i,1}(u) = \begin{cases} 1, & u_i\leqslant u < u_{i+1} \\ 0, & otherwise \end{cases} \thinspace, \\ & B_{i,k}(u) = \frac{u-u_i}{u_{i+k-1}-u_i} B_{i,k-1}(u) + \frac{u_{i+k}-u}{u_{i+k}-u_{i+1}} B_{i+1,k-1}(u) \thinspace。 \end{alignedat} \tag{2} Bi,1(u)={
1,0,ui⩽u<ui+1otherwise,Bi,k(u)=ui+k−1−uiu−uiBi,k−1(u)+ui+k−ui+1ui+k−uBi+1,k−1(u)。(2)递推式中若遇到 0 0 0除以 0 0 0,则除法结果取值为 0 0 0。
B i , k ( u ) B_{i,k}(u) Bi,k(u)可以看作是控制点 P i P_i Pi在 u u u下的权值,因为B样条基函数具有权性:
∑ i = 0 n B i , k ( u ) ≡ 1 , ∀ u 。 (3) \sum_{i=0}^{n} B_{i,k}(u) \equiv 1, \quad \forall u \thinspace。 \tag{3} i=0∑nBi,k(u)≡1,∀u。(3)
对于某个 u ∈ [ u j , u j + 1 ) u\in [u_j, u_{j+1}) u∈[uj,uj+1),运用公式(2)递推 B i , k ( u ) B_{i,k}(u) Bi,k(u),使得最终的结果中只含 B x , 1 ( u ) B_{x,1}(u) Bx,1(u),我们可以推出 x = i , i + 1 , ⋯ , i + k − 1 x=i,i+1,\cdots,i+k-1 x=i,i+1,⋯,i+k−1。又根据 B x , 1 ( u ) B_{x,1}(u) Bx,1(u)的定义式(2),我们发现仅当 j ∈ { i , i + 1 , ⋯ i + k − 1 } j\in\{i,i+1,\cdots i+k-1\} j∈{ i,i+1,⋯i+k−1},即 i ∈ { j − ( k − 1 ) , ⋯ , j } i\in\{j-(k-1),\cdots,j\} i∈{ j−(k−1),⋯,j}时, B i , k ( u ) B_{i,k}(u) Bi,k(u)有可能不为0。
举个例子来解释一下。以 i = 7 , k = 3 i=7,k=3 i=7,k=3为例,运用公式(2)递推 B 7 , 3 ( u ) B_{7,3}(u) B7,3(u):
B 7 , 3 ( u ) = c 0 B 7 , 2 ( u ) + c 1 B 8 , 2 ( u ) = c 2 B 7 , 1 ( u ) + c 3 B 8 , 1 ( u ) + c 4 B 9 , 1 ( u ) \begin{aligned} B_{7,3}(u) &= c_0B_{7,2}(u)+c_1B_{8,2}(u) \\ &= c_2B_{7,1}(u)+c_3B_{8,1}(u)+c_4B_{9,1}(u) \end{aligned} B7,3(u)=c0B7,2(u)+c1B8,2(u)=c2B7,1(u)+c3B8,1(u)+c4B9,1(u)(其中 c 0 , c 1 , ⋯ , c 4 c_0,c_1,\cdots,c_4 c0,c1,⋯,c4均为系数),我们发现最终的结果中只含 B 7 , 1 ( u ) , B 8 , 1 ( u ) , B 9 , 1 ( u ) B_{7,1}(u), B_{8,1}(u),B_{9,1}(u) B7,1(u),B8,1(u),B9,1(u)。对于某个 u ∈ [ u j , u j + 1 ) u\in [u_j, u_{j+1}) u∈[uj,uj+1),仅当 j ∈ { 7 , 8 , 9 } j\in\{7,8,9\} j∈{
7,8,9}时 B 7 , 1 ( u ) , B 8 , 1 ( u ) , B 9 , 1 ( u ) B_{7,1}(u), B_{8,1}(u),B_{9,1}(u) B7,1(u),B8,1(u),B9,1(u)不全为0,从而使得 B 7 , 3 ( u ) B_{7,3}(u) B7,3(u)有可能不为0。
算法原理
对于某个 u ∈ [ u j , u j + 1 ] u\in [u_j, u_{j+1}] u∈[uj,uj+1],我们定义
d i , 0 = P i , i = j − ( k − 1 ) , ⋯ , j , (4) d_{i,0} = P_i,\quad i = j-(k-1),\cdots,j \thinspace,\tag{4} di,0=Pi,i=j−(k−1),⋯,j,(4) α i , r = u − u i u i + k − r − u i , d i , r = ( 1 − α i , r ) d i − 1 , r − 1 + α i , r d i , r − 1 ( r = 1 , 2 , ⋯ , k − 1 i = j − ( k − 1 ) + r , ⋯ , j ) 。 (5) \begin{alignedat}{3} \alpha_{i,r} &= \frac{u-u_i}{u_{i+k-r}-u_i}, \\ d_{i,r} &= (1-\alpha_{i,r})d_{i-1,r-1}+\alpha_{i,r}d_{i,r-1} \end{alignedat} \left(\begin{array}{l} r = 1,2,\cdots,k-1 \\ i = j-(k-1)+r,\cdots,j \end{array}\right) \thinspace。 \tag{5} αi,rdi,r=ui+k−r−uiu−ui,=(1−αi,r)di−1,r−1+αi,rdi,r−1(r=1,2,⋯,k−1i=j−(k−1)+r,⋯,j)。(5)
这里对公式(5)中的 i = j − ( k − 1 ) + r , ⋯ , j i = j-(k-1)+r,\cdots,j i=j−(k−1)+r,⋯,j做出解释:递推 d i , r d_{i,r} di,r使最终结果中只含 d x , 0 d_{x,0} dx,0,得到 x = i − r , ⋯ , i x=i-r,\cdots,i x=i−r,⋯,i。由 d x , 0 d_{x,0} dx,0的定义式(4)知, ∀ x , x ∈ { j − ( k − 1 ) , ⋯ , j } \forall x, x\in\{j-(k-1),\cdots,j\} ∀x,x∈{ j−(k−1),⋯,j}。因此有 i − r ∈ { j − ( k − 1 ) , ⋯ , j } , ⋯ , i ∈ { j − ( k − 1 ) , ⋯ , j } i-r\in\{j-(k-1),\cdots,j\},\cdots,i\in\{j-(k-1),\cdots,j\} i−r∈{ j−(k−1),⋯,j},⋯,i∈{ j−(k−1),⋯,j},从而得到 i ∈ { j − ( k − 1 ) + r , ⋯ , j } i\in\{j-(k-1)+r,\cdots,j\} i∈{ j−(k−1)+r,⋯,j}。
可以证明
P ( u ) = d j , k − 1 。 (6) \mathcal{P}(u) = d_{j,k-1} \thinspace。 \tag{6} P(u)=dj,k−1。(6)
于是得到算法逻辑如下(假定输入只提供了 n + 1 n+1 n+1个控制点,参数 u i ( i ∈ { 0 , 1 , ⋯ , n + k } ) u_i(i\in\{0,1,\cdots,n+k\}) ui(i∈{ 0,1,⋯,n+k})由我们自定义选取):
- 在实数域上任取一段区间,不妨取 [ 0 , 1 ] [0,1] [0,1]。
- 将 [ 0 , 1 ] [0,1] [0,1]均匀分隔为 n + k n+k n+k段(控制点个数= n + 1 n+1 n+1,曲线阶数= k k k)。
- 分隔之后产生了 n + k + 1 n+k+1 n+k+1个分隔点,依次记为 u 0 , u 1 , ⋯ , u n + k u_0,u_1,\cdots,u_{n+k} u0,u1,⋯,un+k。于是有 u j = j / ( n + k ) u_j=j/(n+k) uj=j/(n+k)。
- 在区间 [ u k − 1 , u n + 1 ] [u_{k-1},u_{n+1}] [uk−1,un+1]上大量采样。对于每个样本 u u u,计算 P ( u ) \mathcal{P}(u) P(u)。
- 根据公式(6),我们可以通过计算 d j , k − 1 d_{j,k-1} dj,k−1来计算 P ( u ) \mathcal{P}(u) P(u)。
- d j , k − 1 d_{j,k-1} dj,k−1可以通过公式(5)进行递归计算。
算法实现
def draw_curve(p_list, k: int = 4):
"""
:param p_list: (list of list of int: [[x0, y0], [x1, y1], [x2, y2], ...]) 曲线的控制点坐标列表
:param k: B样条曲线的阶数,默认为4阶,即3次均匀B样条曲线
:return: (list of list of int: [[x_0, y_0], [x_1, y_1], [x_2, y_2], ...]) 绘制结果的像素点坐标列表
"""
n = len(p_list) - 1
if n == 0:
return p_list
elif n == 1:
return draw_line(p_list) # 调用绘制直线的算法
assert 2 <= k <= n + 1
freq = 500
result = []
for j in range(k - 1, n + 1):
seg = n + k
u_j = j / seg
for u in range(freq + 1):
u = u / (freq * seg) + u_j
tmp = [
[p_list[i + j - (k-1)][0],
p_list[i + j - (k-1)][1]
] for i in range(k)
]
for r in range(1, k):
for i in range(k - 1, r - 1, -1):
ii = i + j - (k - 1)
u_i = ii / seg
alpha = (u - u_i) / ((ii+k-r)/seg - u_i)
tmp[i] = [
(1-alpha)*tmp[i-1][0] + alpha*tmp[i][0],
(1-alpha)*tmp[i-1][1] + alpha*tmp[i][1]
]
result.append(
[round(tmp[k-1][0]), round(tmp[k-1][1])]
)
return result
补充: P ( u ) \mathcal{P}(u) P(u)定义域的推导
在公式(1)中,我们直接定义变量 u u u的取值范围为 [ u k − 1 , u n + 1 ] [u_{k-1},u_{n+1}] [uk−1,un+1]。这一节中我们将详细说明其原理。
根据递推公式(2),我们可以推知:
- B i , 1 B_{i,1} Bi,1涉及1个区间( [ u i , u i + 1 ] [u_i,u_{i+1}] [ui,ui+1])2个控制点( u i u_i ui和 u i + 1 u_{i+1} ui+1)
- B i , 2 B_{i,2} Bi,2由 B i , 1 B_{i,1} Bi,1和 B i + 1 , 1 B_{i+1,1} Bi+1,1组成,涉及2个区间3个控制点
- B i , 3 B_{i,3} Bi,3由 B i , 2 B_{i,2} Bi,2和 B i + 1 , 2 B_{i+1,2} Bi+1,2组成,涉及3个区间4个控制点
- ⋯ \cdots ⋯
- B i , k B_{i,k} Bi,k涉及 k k k个区间 k + 1 k+1 k+1个控制点
从而可以定义 B i , k B_{i,k} Bi,k的支承区间为 [ u i , u i + k ] [u_i,u_{i+k}] [ui,ui+k]。
举个例子,如上图,其中 n = 4 , k = 4 n=4,k=4 n=4,k=4。根据支承区间的定义,我们有:
- P 0 B 0 , 4 P_0B_{0,4} P0B0,4涉及节点 u 0 u_0 u0到 u 4 u_4 u4
- P 1 B 1 , 4 P_1B_{1,4} P1B1,4涉及节点 u 1 u_1 u1到 u 5 u_5 u5
- ⋯ \cdots ⋯
- P 4 B 4 , 4 P_4B_{4,4} P4B4,4涉及节点 u 4 u_4 u4到 u 8 u_8 u8
对于每个区间 [ u i , u i + 1 ] [u_i,u_{i+1}] [ui,ui+1],它至多包含于 k k k个不同的支承区间中,也就是说,它至多与 k k k个控制点相关。下图形象地展示了这种关系。
我们的目标是,对于 P ( u ) \mathcal{P}(u) P(u)的定义域中的每个区间,要使它与尽可能多的控制点相关。于是我们最终选择了 [ u k − 1 , u n + 1 ] [u_{k-1},u_{n+1}] [uk−1,un+1]。可以证明, ∀ [ u i , u i + 1 ] ⊆ [ u k − 1 , u n + 1 ] \forall [u_i,u_{i+1}]\subseteq [u_{k-1},u_{n+1}] ∀[ui,ui+1]⊆[uk−1,un+1], [ u i , u i + 1 ] [u_i,u_{i+1}] [ui,ui+1]都与 k k k个控制点相关。
更多细节
由于篇幅原因,文中有些证明并未详细展开叙述。更多的证明细节请参阅相关论文。例如C. DE BOOR, On calculating with B-splines, 1972等。