3D空间线段投影至2D平面的热力图绘制技术问询

一、核心逻辑 #

热力图的每个像素强度，就是所有投影覆盖该像素的元素（线段、2D/3D形体）的体积参数总和。不管元素投影的长短、是否相交，只要覆盖到像素，就把体积加进去——相交区域自然会因为多元素覆盖而强度更高。

二、3D线段投影的实现步骤 #

1. 投影线段到目标平面 #

以XY平面为例，把每条线段的起止点(x1,y1,z1)、(x2,y2,z2)直接映射为(x1,y1)、(x2,y2)，得到2D线段。XZ、YZ平面同理，分别投影为(x,z)、(y,z)坐标对。

2. 像素级体积累积 #

直接操作数组累积强度，比默认绘图效率更高：

• 先根据坐标范围和分辨率，初始化空白热力图数组：

  import numpy as np
  # 示例：x范围x_min到x_max，y范围y_min到y_max，分辨率1000x1000
  width, height = 1000, 1000
  heatmap = np.zeros((height, width), dtype=np.float64)
  x_scale = width / (x_max - x_min)
  y_scale = height / (y_max - y_min)
  

• 用抗锯齿工具获取线段覆盖的像素，累加体积：

  from skimage.draw import line_aa
  
  # 遍历DataFrame中的每条线段
  for idx, row in df.iterrows():
      # 获取投影后的2D线段坐标
      x0, y0 = row['x1'], row['y1']
      x1, y1 = row['x2'], row['y2']
      vol = row['volume']
      
      # 转换为像素坐标
      x0_pix = int((x0 - x_min) * x_scale)
      y0_pix = int((y0 - y_min) * y_scale)
      x1_pix = int((x1 - x_min) * x_scale)
      y1_pix = int((y1 - y_min) * y_scale)
      
      # 获取抗锯齿线段的像素位置和权重
      rr, cc, val = line_aa(y0_pix, x0_pix, y1_pix, x1_pix)
      # 累加体积到对应像素，val保证边缘平滑
      heatmap[rr, cc] += vol * val
  

3. 绘制热力图 #

用Matplotlib直接绘制累积好的数组：

import matplotlib.pyplot as plt

plt.imshow(heatmap, extent=[x_min, x_max, y_min, y_max], origin='lower', cmap='viridis')
plt.colorbar(label='累积体积强度')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('XY平面体积热力图')
plt.show()

三、短投影/点投影的处理 #

对于投影后几乎是一个点的线段，上述方法会自动把所有体积集中到对应像素，该像素的强度就是线段的体积值，自然比周围未被覆盖的像素高，无需额外操作。

四、扩展到2D/3D形体 #

1. 2D形状（两点定义） #

如果是基于两点的矩形（对角顶点）、椭圆（长轴端点）：

• 先投影到目标平面（3D中的2D形状需先做平面投影）
• 用skimage.draw对应工具获取形状覆盖的像素，比如矩形用rectangle，椭圆用ellipse，然后累加体积到热力图。填充形状直接填充区域，轮廓则用抗锯齿绘制。

2. 3D形体（两点定义） #

比如两点为长方体对角线、圆柱体上下底面圆心：

• 先计算3D形体在目标平面的投影区域：长方体投影到XY平面是矩形，圆柱体投影是矩形（轴线垂直平面）或椭圆（轴线倾斜）
• 把投影区域转化为2D形状，再用上述2D形状的方法，将体积累加到对应像素。复杂形体可先计算投影边界框，再细化处理。

五、性能优化（应对大数据集） #

• 提前计算所有坐标的像素映射，避免循环内重复计算
• 用NumPy向量化操作替代逐行循环，比如批量转换所有线段的坐标为像素坐标
• 超大数据集可分批次处理，每次处理一部分元素，逐步累加热力图

内容的提问来源于stack exchange，提问作者naterson