基于三维坐标计算旋转生成的封闭三维物体体积

作为Python新手，你已经完成了从2D轮廓到3D近似半球的核心步骤，用ConvexHull来计算体积完全可行——因为半球是凸几何体，凸包会完美贴合你的点云，直接给出准确的近似体积。

关键步骤说明 #

1. 整理点云格式：ConvexHull需要输入一个形状为(N, 3)的数组，所以你需要把qx、qy、qz三个一维数组合并成一个三维点数组。
2. 计算凸包并获取体积：调用ConvexHull后，直接访问其volume属性就能得到体积值。

修改后的完整代码（加入体积计算部分） #

import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
from scipy.spatial import ConvexHull

# 假设你的origin已经提前定义（比如轮廓的中心）
# origin = (x_center, y_center)

# 你的原有代码：提取轮廓坐标
c, contours, _ = cv2.findContours(WB, mode=cv2.RETR_EXTERNAL, method=cv2.CHAIN_APPROX_NONE)
contours = sorted(contours, key=cv2.contourArea, reverse=True)
contour = contours[1]  # 取目标轮廓

xpointsList = [xpoints[0][0] for xpoints in contour]
ypointsList = [ypoints[0][1] for ypoints in contour]
zpointsList = np.zeros(len(xpointsList))

# 生成旋转角度
angles = np.arange(0, 180, 5, dtype=int)

# 初始化坐标数组
qx = np.zeros(len(xpointsList)*len(angles))
qy = np.zeros(len(ypointsList)*len(angles))
qz = np.zeros(len(zpointsList)*len(angles))

ax = plt.axes(projection='3d')
d = 0
for b in range(len(angles)):
    angle = angles[b]
    for i in range(len(ypointsList)):
        qx[i+d] = xpointsList[i] - origin[0]
        qz[i+d] = origin[0] + math.cos(math.radians(angle)) * zpointsList[i] - math.sin(math.radians(angle)) * (ypointsList[i] - origin[1])
        qy[i+d] = origin[1] + math.sin(math.radians(angle)) * zpointsList[i] + math.cos(math.radians(angle)) * (ypointsList[i] - origin[1])
    d += len(xpointsList)
    b += 1

ax.plot3D(qy, qz, qx, color='blue', linewidth=0.1)
plt.show()

# ------------------- 体积计算部分 -------------------
# 合并成(N, 3)的点云数组
points = np.column_stack((qx, qy, qz))

# 计算凸包
hull = ConvexHull(points)

# 输出体积
print(f"近似半球的体积为: {hull.volume:.2f}")

注意事项 #

• 旋转中心的正确性：确保origin是你想要的旋转中心（比如半圆的圆心），否则旋转后的形状会偏移，体积计算也会出错。
• 点云密度：你用了5度的旋转间隔，这个密度足够得到不错的近似值；如果需要更精确的体积，可以缩小角度间隔（比如2度），但计算时间会略有增加。
• 凸包的适用性：因为半球是凸几何体，所以ConvexHull完全适用；如果你的形状是凹的，凸包体积会比真实体积大，这时候就需要其他方法了，但你的场景没问题。

内容的提问来源于stack exchange，提问作者Colin Monaghan