墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
365平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在计算机图形学和可视化领域，交点计算是一项重要的任务。它用于确定两个或多个几何对象之间的交点或相交区域。VTK（Visualization Toolkit）是一个流行的开源库，提供了许多用于可视化和图形分析的算法和工具。在本文中，我们将探讨如何在VTK中进行交点计算，并提供相应的源代码示例。
首先，我们需要导入所需的VTK模块。在Python中，可以使用以下代码进行导入：
import vtk
接下来，我们创建两个几何对象，以便进行交点计算。在本例中，我们将创建两个球体，并找到它们的交点。以下是创建球体的代码：
# 创建第一个球体
sphere1 = vtk.vtkSphereSource()
sphere1.SetCenter(0VTK学习笔记之使用vtkMarchingCubes
前段时间学习了一下VTK的基础使用方法，由于关于这方面的中文教程比较少，再加上英文水平有不是很高，所以学习过程相当缓慢。中途又由于期中考试耽搁了。 最近接到一个大规模散乱数据场三维重现的一个小程序，所以又开始研究起VTK。 以下分两个部分： 一，Marching Cubes方法 在三维规则数据场中构造等值面是计算机视觉也是VTK当中的一个重要的问题，Marching Cubes方法就是解决
第五节《VTK 点与网格模型求交处理技巧》
使用VTK做项目常常需要用到单点或点集与网格模型求交计算，常用手段是使用vtkOBBTree进行求交计算。我基于VTK提供的算法总结了3种点与网格求交计算的方法，第一种vtkOBBTree直线与网格求交计算；第二种局部网格直线求交计算；第三种基于深度缓存求交计算； 第一种vtkOBBTree直线与网格求交计算，vtkOBBTree是用于生成模型OBB树的对象数据结构，它基于模型创建一个有向包围盒，对包围盒空间划分了更多层次的空间，直线与模型相交能够快速锁定某个区域，进行求交计算，用法如下：
VTK：交叉点 PolyData 过滤器用法实战
VTK：交叉点 PolyData 过滤器用法实战程序输出程序完整源代码 程序输出 程序完整源代码 #include <vtkActor.h> #include <vtkIntersectionPolyDataFilter.h> #include <vtkNamedColors.h> #include <vtkNew.h> #include <vtkPolyDataMapper.h> #include <vtkProperty.h> #
VTK-vtkIntersectionPolyDataFilter
本文主要介绍vtkIntersectionPolyDataFilter的功能及实现原理，希望能帮助小伙伴更好的理解该接口！
【VTKExamples::PolyData】第四十二期 PointsProjectedHull
本文分享VTK样例PointsProjectedHull，并解析接口vtkPointsProjectedHull，希望对各位小伙伴有所帮助！该样例用于计算点集在正交投影平面上的凸包。
【VTKExamples::PolyData】第二十五期 IntersectionPolyDataFilter
本文分享VTK样例IntersectionPolyDataFilter，并解析接口vtkIntersectionPolyDataFilter。包含的重要应用包括：输入PolyData数据的检查；PolyData数据自由边和坏三角形的检查等重要方法。希望对各位小伙伴有所帮助！该样例讲述了两个PolyData对象的交集结果。
3D医学影像开发＜八＞：将肿瘤或器官轮廓投影到皮肤表层以便进行器械自动引导分割
文章摘要 本文提出了一种基于影像数据的开颅手术区域规划方法。通过CT/MR影像获取肿瘤、皮肤或颅骨分割数据后，首先使用vtkPolyDataSilhouette计算肿瘤外包轮廓，确定肿瘤中心点和半径。然后通过vtkOBBTree构建颅骨的空间查询结构，用于生成从肿瘤轮廓向颅骨表面投射的射线束，实现手术区域自动分割。该方法可辅助医生在开颅手术或肿瘤切除手术中精准规划切除范围，为自动化器械导航提供关键特征点数据支持。文中详细介绍了相关算法实现细节，包括轮廓提取、空间查询和射线投射等关键技术步骤。
三维模型布尔运算 求并、交、差
三维模型布尔运算 相交 相减 求并 三维模型布尔运算 求并、交、差 三维模型布尔运算 求并、交、差 三维模型布尔运算 求并、交、差
scratch航天梦主题课程作品分享，包含ppt、素材包
而今年多国都将发射探测器尝试登陆月球，2023年或将称为“登月年”，请大家发挥创新思维，以“星辰大海”为创作主题，搜集相关信息 、展开联想，为实现升空 、探测 、取样贡献创意!即使去淘宝买的素材，也要从百度网盘，但素材太多大了或者太多文件，也要充值百度网盘超级会员才能保存，提高下载速度。同学们大家好，今天我们就要开始航天主题-嫦娥五号探月工程系列的编程课程了，不仅可以学习到很多航天知识，了解本次嫦娥五号的发射历程，还能让我们用编程遨游太空呢。即使下载了，也要上传，不是特别方便，尤其是不好查找。
Windows 高精度计时器：QueryPerformanceCounter 原理、陷阱与最佳实践
本文深入解析Windows高精度计时器QueryPerformanceCounter（QPC）的工作原理、常见陷阱及最佳实践。QPC通过读取硬件计时器（如TSC）实现微秒级精度，适用于游戏开发、音视频处理等高性能场景。文章详细探讨了多核同步、动态频率调整等挑战，并提供了优化代码示例和性能对比数据。
【Unity Shader】2D模型 3D模型混用的穿模问题(Spine在3D场景中出现前后穿模问题的解决办法)
问题描述： 在3D场景中使用Spine模型(2D), 因为Spine需要像Billboard类似的处理,永远是垂直与相机的, 所以一般情况下2D模型能正常显示且前后的阻挡关系也是没有问题的,如下图所示,一切都很美好.（这里用一个四边形，图中的福字表示2D模型） 可是如果后面蓝色的格子比较高,或者2D角色本身也比较高,那么就会出现模型穿插的问题,如下图所示: 如果吧2D模型竖立起来,前后关系肯定是没有问题的,所以也能避免模型穿插的问题,可是就没有Billboard效果,圆形的福字已经被压扁了,如下图:
【VSCode】【Clangd】从零构建：基于LLVM/Clangd+MINGW+CMake的Windows高性能C/C++开发环境实战
本文详细介绍了如何在Windows平台搭建基于LLVM/Clangd+MINGW+CMake的高性能C/C++开发环境。通过VSCode配置Clangd语言服务器，结合MINGW提供的GCC工具链和CMake的跨平台构建能力，实现轻量级、高效率的开发体验。文章包含从环境准备到实战配置的完整指南，特别适合追求开发效率和跨平台兼容性的开发者。
Arcgis空间分布方向性分析
Arcgis空间分布方向性分析 一、标准差椭圆方法概述 空间分布方向性分析是指区域经济属性在空间分布上的轮廓和主导方向。 标准差椭圆法是分析空间分布方向性特征的经典方法之一，使用标准差椭圆可 从全局的、空间的角度定量解释经济要素空间分布的中心性、展布性、方向性和 空间形态等整体性特征，因其直观性与有效性已得到广泛应用，已成为 Ａｒｃ ＧＩＳ 空间统计模块的常规统计工具。ＳＤＥ 方法生成的结果为一个椭圆，从其生 成算法来看，首先用平均中心来确定椭圆的圆心，然后由平均中心作为起点 对 Ｘ 坐标
pycharm报错cannot start the IED：Error occurred during initialization of VMagent library failed...如何解决？
🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值 。
【CASS精品教程】013：CASS9.1生成标准图幅案例教程
在CASS中，可以很方便的生成标准图幅，如50*50。本文演示cass中，根据测区范围标准图幅生成过程。
4、风险管理、信息安全与信息管理的核心原则
本文深入探讨了风险管理、信息安全与信息管理的核心原则，涵盖Risk IT框架、ISO 31000标准以及信息安全与信息管理的关键原则。通过案例分析与实际应用挑战的解析，帮助组织更好地应对数字化时代的风险与安全问题，实现可持续发展。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
