如何用Python实现无舍入的3D numpy数组旋转？

我完全懂你的需求——你的3D数组是离散的体素集合，每个体素对应明确的材料类型，旋转时绝对不能通过插值生成近似的材料值，必须保留原始的离散材料类别，哪怕最终结果有“块状”模糊也没关系。

下面是一套完全基于精确坐标变换、无插值无近似舍入的实现方案：

1. 核心思路 #

我们不依赖现成的插值旋转函数，而是手动完成坐标变换+体素映射：

• 先计算原始体素中心的坐标（相对于数组中心，避免旋转后偏移）
• 应用精确的旋转矩阵到每个体素的中心坐标
• 将旋转后的坐标映射到新数组的整数索引（直接取整，不做任何插值混合）
• 构建新数组，把原始体素的材料值精准放到旋转后的对应位置

2. 具体实现步骤 #

步骤1：定义精确3D旋转矩阵 #

根据你需要的旋转角度，生成无近似的旋转矩阵（以绕X/Y/Z轴为例）：

import numpy as np

def get_rotation_matrix(angle_x=0, angle_y=0, angle_z=0):
    # 角度转弧度（精确计算）
    rx = np.radians(angle_x)
    ry = np.radians(angle_y)
    rz = np.radians(angle_z)
    
    # 绕X轴旋转矩阵
    Rx = np.array([
        [1, 0, 0],
        [0, np.cos(rx), -np.sin(rx)],
        [0, np.sin(rx), np.cos(rx)]
    ])
    
    # 绕Y轴旋转矩阵
    Ry = np.array([
        [np.cos(ry), 0, np.sin(ry)],
        [0, 1, 0],
        [-np.sin(ry), 0, np.cos(ry)]
    ])
    
    # 绕Z轴旋转矩阵
    Rz = np.array([
        [np.cos(rz), -np.sin(rz), 0],
        [np.sin(rz), np.cos(rz), 0],
        [0, 0, 1]
    ])
    
    # 组合旋转矩阵（顺序：Z→Y→X，可根据需求调整）
    R = Rz @ Ry @ Rx
    return R

步骤2：体素坐标映射与旋转实现 #

def rotate_voxel_array(arr, angle_x=0, angle_y=0, angle_z=0):
    # 获取原始数组尺寸
    x_dim, y_dim, z_dim = arr.shape
    
    # 生成原始体素的中心坐标（原点设为数组中心，避免旋转后偏移）
    x_coords = np.arange(x_dim) - x_dim/2 + 0.5
    y_coords = np.arange(y_dim) - y_dim/2 + 0.5
    z_coords = np.arange(z_dim) - z_dim/2 + 0.5
    xx, yy, zz = np.meshgrid(x_coords, y_coords, z_coords, indexing='ij')
    
    # 整理为N×3的坐标矩阵
    coords = np.stack([xx.flatten(), yy.flatten(), zz.flatten()], axis=1)
    
    # 应用旋转矩阵
    R = get_rotation_matrix(angle_x, angle_y, angle_z)
    rotated_coords = coords @ R.T
    
    # 计算新数组的尺寸（确保能容纳所有旋转后的体素）
    min_x, max_x = rotated_coords[:,0].min(), rotated_coords[:,0].max()
    min_y, max_y = rotated_coords[:,1].min(), rotated_coords[:,1].max()
    min_z, max_z = rotated_coords[:,2].min(), rotated_coords[:,2].max()
    
    new_x_dim = int(np.ceil(max_x - min_x))
    new_y_dim = int(np.ceil(max_y - min_y))
    new_z_dim = int(np.ceil(max_z - min_z))
    
    # 将旋转后的坐标偏移到新数组的索引范围（左上角为原点）
    rotated_coords[:,0] -= min_x - 0.5
    rotated_coords[:,1] -= min_y - 0.5
    rotated_coords[:,2] -= min_z - 0.5
    
    # 转换为整数索引（直接取整，无任何近似插值）
    rotated_indices = np.round(rotated_coords).astype(int)
    
    # 过滤越界索引
    valid_mask = (
        (rotated_indices[:,0] >= 0) & (rotated_indices[:,0] < new_x_dim) &
        (rotated_indices[:,1] >= 0) & (rotated_indices[:,1] < new_y_dim) &
        (rotated_indices[:,2] >= 0) & (rotated_indices[:,2] < new_z_dim)
    )
    
    # 初始化新数组（用原始数组的默认填充值，比如0表示空）
    rotated_arr = np.zeros((new_x_dim, new_y_dim, new_z_dim), dtype=arr.dtype)
    
    # 映射原始体素值到新数组
    original_vals = arr.flatten()[valid_mask]
    valid_indices = rotated_indices[valid_mask]
    rotated_arr[valid_indices[:,0], valid_indices[:,1], valid_indices[:,2]] = original_vals
    
    return rotated_arr

步骤3：关键说明 #

• 无近似保证：整个过程仅做精确的矩阵乘法坐标变换和整数取整映射，没有任何插值操作，所有材料值都是原始数组中的离散值，完全没有舍入生成的近似值。
• 关于模糊：因为是直接映射体素，旋转后的结果会有“块状锯齿”效果，但这正是你需要的——材料属性完全准确，模糊不影响。
• 自定义旋转轴：如果需要绕任意轴旋转，可修改get_rotation_matrix函数，用Rodrigues旋转公式生成任意轴的精确旋转矩阵即可。

3. 使用示例 #

假设你有一个3D立方体体素数组，要绕Y轴旋转45度：

# 创建示例3D立方体（1表示材料A，0表示空）
voxel_obj = np.zeros((10,10,10), dtype=int)
voxel_obj[2:8, 2:8, 2:8] = 1

# 绕Y轴旋转45度
rotated_obj = rotate_voxel_array(voxel_obj, angle_y=45)

这样得到的rotated_obj中所有非零值都是原始的1，没有任何近似值，完全符合你的需求。

内容的提问来源于stack exchange，提问作者Toykan Ozdeger