使用Python和wxPython的3D/4D图形？

在我博士生的日常工作中，我做地质建模。在我的业余时间（主要是为了好玩），我正在学习Python，并试图编写一个简单的程序来查看3D地理单元模型

geocellular模型只是一个3D网格，其中每个网格单元都有一些值（如右图所示）。因此，我希望我的查看器能够显示一个3D网格模型，如右侧的图片。同样，我希望它能够在x、y和z方向上显示模型的横截面（如左图所示）

我还希望模型能够围绕所有三个轴旋转并放大和缩小

我已经做了一些初步调查（主要是），看起来VisVis和VTK是两个潜在的选择。我正在尝试将wxPython用于主GUI，就我所知，这两个选项似乎都可以与wxPython一起使用

问题:

当我说我认为VisVis和VTK会为我想要的工作时，我说的对吗？一个比另一个好吗

这两个选项中哪一个最容易实现

还有另外一个选择，我也应该考虑？

---

请记住，我对Python是新手，对wxPython也是新手。

您正在寻找的是体素可视化、体素网格等。我会认真考虑（从来没有用过它，但我一直关注它），它似乎有非常接近的东西。 ，就像MayaVi一样构建在VTK之上，可能也是一个不错的选择

---

我认为直接去VTK进行可视化是很困难的，它太低级了，可能会让你感到沮丧。也就是说，您将希望将数据保存为VTK数据集，以便在MayaVi/Paraview中打开；这并不困难，您只需选择正确的结构（vtkGrid、vtkUnstructedGrid等）。

vpython比mayavi更易于使用，但功能较少

---

如果你想以一种更简单的方式进入VTK/MayaVi世界（参见eudoxos的完美答案），请查看它的API。这使matplotlib像基本的卷可视化一样，我还没有找到深入挖掘底层平台的需要。

在我的例子中，我选择直接使用Python的VTK绑定。老实说，我发现使用VTK比使用Mayavi更简单，部分原因是文档更好（很多示例！）。感觉玛亚维在我完成工作的路上又增加了一层复杂性。但是tom10是正确的。开始之后，使用Mayavi可能会更容易

除此之外，Mayavi还提供了一个名为的库，它是VTK绑定的一个更具python风格的版本，但最后我选择了纯VTK，以尽量减少依赖项的数量。但是你应该去看看。也许这正是你要寻找的

一开始我觉得这很有帮助。它不是关于Python的，它是关于tcl的，但是翻译示例非常简单，它可以帮助您理解vtk的工作方式

此外，为了让您开始学习，您可以在以下位置查看示例。如果它们还不够，您可以随时检查并将它们转换为Python。翻译并不困难，因为方法和属性的名称是相同的。如果您这样做了，我们鼓励您在wiki上添加示例。这本书中还有更多的例子

当你学习VTK时，你会（再次）发现Ipython非常棒！让整个VTK名称空间触手可及会有很大帮助

如果您需要更具体的帮助，邮件列表非常活跃。最后是关于VTK的，并且是免费的！不过，它们与Python无关

---

我还没有一起尝试过wxPython和VTK，但那是因为我更喜欢PyQt4而不是wxPython。AFAIK将VTK与任一库集成都没有问题。在任何情况下，在花时间编写GUI之前，请查看ParaView。它可能已经做了你想要的，如果它没有，它也是！（但我从未检查过）。

就像使用Mayavi的

mlab

界面来完成这项工作的一个简单示例一样（甚至包括一些地质数据！）：

（数据和数据格式处理代码（geoprobe模块）可在此处找到：）

---

虽然我同意从长远来看学习VTK会更好，但你可以用Mayavi很快地起床跑步。最大的优势是不必为了将数据转换为VTK格式而跳转。TVTK和Mayavi允许您直接使用numpy阵列。

+1：我同意直接使用VTK更容易。这很难，但是MayaVi和VTK的所有挑战只是学习VTK，而MayaVi则是另一个障碍。后来，我发现开始使用MayaVi更容易，因为这简化了一些麻烦的事情（但不难概念化）。对于VTK文件的创建，可以使用PyEVTK。此外，手动创建lecagy VTK文件非常简单。您也可以使用MayaVi中的内置函数。我只是不想为了可视化而使用单独的文件格式。澄清：

手工操作

我指的是编程方式。

from mayavi import mlab
import geoprobe

vol = geoprobe.volume('Volumes/example.vol')
data = vol.load()  #"data" here is just a 3D numpy array of uint8's

fig = mlab.figure(bgcolor=(1., 1., 1.), fgcolor=(0., 0., 0.), size=(800,800))
grid = mlab.pipeline.scalar_field(data)

# Have things display in kilometers with no vertical exxageration
# Each voxel actually represents a 12.5 by 18.5 by 5 meter volume.
grid.spacing = [vol.dxW / 1000, vol.dyW / 1000, vol.dz / 1000]

# Now, let's display a few cut planes. These are interactive, and are set up to 
# be dragged around through the volume. If you'd prefer non-interactive cut 
# planes, have a look at mlab.pipeline.scalar_cut_plane instead.
orientations = ['x', 'x', 'y', 'z']
starting_positions = [vol.nx//4, 3*vol.nx//4, vol.ny//2, vol.nz]
for orientation, start_pos in zip(orientations, starting_positions):
    plane = mlab.pipeline.image_plane_widget(grid, colormap='gray',
            plane_orientation='%s_axes' % orientation, slice_index=start_pos)

    # High values should be black, low values should be white...
    plane.module_manager.scalar_lut_manager.reverse_lut = True

mlab.show()