【Paraview教程】第一章安装与基础介绍

2023-05-16

在这里插入图片描述

1 Paraview介绍

1.1基本介绍

ParaView是一个开源的,跨平台的数据处理和可视化程序。ParaView用户可以迅速的建立起可视化环境利用定量或者是定性的手段去分析数据。利用它的批量处理能力可以在三维空间内在工具栏和展示界面中进行交互操作,从而实现“数据完美展示”和进一步的“数据挖掘”。
此外,ParaView开发使用分布式的内存计算资源,能够实现对非常大的数据集的分析与处理。它可以在超级计算机上运行万亿次的数据集以及笔记本电脑更小的数据分析。

1.2 基本功能

ParaView基本的交互式可视化功能,主要包括数据加载,数据处理,参数调整和数据交互等功能。如切割,剪裁,轮廓,探测都能通过paraview实现。

1.3 重要特点

  • 处理结构(匀速直线,非匀速直线,曲线网格),非结构化的,多边形,图像,多块和AMR的数据类型。
  • 所有处理操作后产生新的数据集。例如,用户可以提取一个切割面,减少这种掩蔽表面上的点的数量和字形(即向量箭头)。
  • 向量可以检查区域运用图形(箭头,锥、线、球体和各种各样的二维图形)转化成点的数据。符号可以按标量、矢量部件或矢量大小和可以使用一个矢量场导向。
  • 等高线和等值面可以从所有数据类型中使用标量或者是矢量分量进行提取。任何其他变量的结果,可着色,或作进一步处理。如果可能的话,结构化数据的等高线/等值面提取与使用高效的数据布局的快速,高效的算法。
  • 可以提取一个数据集的分区域,进行切割或裁剪用任意平面(所有数据类型),指定的阈值标准,排除细胞(所有的数据类型)和/或指定VOI(感兴趣的体域-只限结构化数据类型)。
  • 可以生成流线。结果可以显示为点、线、管、带等,可以通过一些过滤器处理。粒子路径可以被提取。
  • 数据集中的点可以通过用标量(一个用户定义的位移矢量)被扭曲(替换),或与向量(非线性直线网格不可用)。
  • 与阵列的计算器,可以使用现有的点或细胞领域阵列计算出新的变数。众多的标量和矢量运算的支持。
  • 可以利用VTK、NumPy|SciPy和其他的Python模块的进行编程进行高级数据处理。
  • 利用强大的选择机制和电子表格科技进行数据的定量检测。
  • 这种选择机制允许用户通道拾取一个点或者选择一个矩形区域去选择一个重要的数据区域,即定量选择机制。
  • 数据表浏览(spreadsheet view)可以允许用户选择整个数据集合或者选择一块区域。
  • ParaView默认的提供了许多其他数据源接口和过滤,任何VTK过滤(filter)可以通过提供减慢的XML描述添加(VTK提供了上百个算法,可参考VTK文档)。

1.4 支持的文件类型

2 Paraview下载与安装

  • 下载链接:官网,使用指南(中文),英文学习教程
    paraview支持window、linux、Maxos下使用。

  • window10下直接下载安装包。下载解压后,直接点击bin文件夹下的paraview.exe启动。
    在这里插入图片描述

  • linux下安装

sudo apt install paraview # 安装
sudo apt-get remove paraview # 卸载

3 The tutorial for the panel

在这里插入图片描述
图1:Paraview界面

  • 1 点击时钟可以恢复到未处理前版本,或者选择后面后退或者前进一步操作。
  • 2 点击打开文件,如打开下载的Example文件夹下的can.ex2。点击打开文件前的小眼睛,就可以看到如图2示意图。

在这里插入图片描述
图2:Example

  • 3 打开文件后,可以选择那些变量加载在panel中。
  • 4 对加载数据的properties有任何修改后,点击apply进行更新可视化。
  • 5 a.单击鼠标左键并拖动并旋转,单击鼠标中键可平移,单击滚轮或鼠标右键可缩放。对于单键或双键鼠标,按住Shift和Control键,同时点击和拖动来倾斜、平移和缩放。b.单击,将视图中的数据重新居中。
  • 6 按下播放键,看着罐子被碾碎。其他按钮允许移动到不同的时间步骤。此外,对于相似命名文献,会自动识别为统一project,可以制作动图。

在这里插入图片描述
图3:被碾压图

  • 7 将颜色映射应用到变量。将颜色映射应用到变量,单击变量工具栏中的下拉菜单并选择EQPS变量。
  • 8 添加矢量字形。
    在这里插入图片描述
    图4:带有矢量箭头图
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

【Paraview教程】第一章安装与基础介绍 的相关文章

随机推荐

  • STM32学习(4)串口实验

    串口设置的一般步骤可以总结为如下几个步骤 xff1a 串口时钟使能 xff0c GPIO 时钟使能串口复位GPIO 端口模式设置串口参数初始化开启中断并且初始化 NVIC xff08 如果需要开启中断才需要这个步骤 xff09 使能串口编写
  • 【Docker】 入门与实战学习(Docker图形化工具和Docker Compose)

    文章目录 前言Docker图形化工具1 查看portainer镜像2 portainer镜像下载3 启动dockerui容器4 浏览器访问5 单机版Docker xff0c 直接选择Local xff0c 点击连接6 使用即可 Docker
  • 第三天_DOM

    第三天 Web APIs 学习目标 xff1a 能够使用removeChild 方法删除节点 能够完成动态生成表格案例 能够使用传统方式和监听方式给元素注册事件 能够说出事件流执行的三个阶段 能够在事件处理函数中获取事件对象 能够使用事件对
  • MySQL知识点整理汇总

    文章目录 前言一 数据库与SQL1 数据库与数据库管理系统2 关系数据库3 MySQL语句的种类4 MySQL语句的基本书写规则 二 MySQL语句的两大顺序1 MySQL 语句的书写顺序2 MySQL 语句的执行顺序 三 表的创建 删除与
  • 麦克科马克

    这里写自定义目录标题 欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题 xff0c 有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中 居左 居右SmartyP
  • ROS-创建工作空间与功能包

    这里写目录标题 一 工作空间的组成与结构二 创建工作空间三 创建功能包四 设置环境变量五 功能包的package xml文件和CMakeLists txt文件 一 工作空间的组成与结构 工作空间的组成 xff1a src用于存放功能包源码
  • 「NeurIPS 2020」基于局部子图的图元学习

    点击蓝字 xff0c 设为星标 NeurIPS 2020 的接收论文 Graph Meta Learning via Local Subgraphs xff0c G META 是第一个使用局部子图来进行元学习的模型 Graph Meta L
  • Keras:Input()函数

    目录 1 Keras Input 函数 2 函数定义 xff1a 3 参数解释 4 例子 1 Keras Input 函数 作用 xff1a 初始化深度学习网络输入层的tensor 返回值 xff1a 一个tensor 2 函数定义 xff
  • JDBC入门笔记

    目录 1 xff0c JDBC概述 1 1 JDBC概念 2 xff0c JDBC快速入门 Java操作数据库的流程 2 1 编写代码步骤 3 JDBC API详解 3 1 DriverManager 3 2 Connection 3 2
  • 对抗样本入门详解

    文章目录 对抗样本基本原理对抗样本的发生对抗样本防御难在哪里对抗训练隐藏梯度defensive distillation 对抗样本的生成对抗样本生成方法介绍利用GAN生成对抗样本利用FGSM生成对抗样本代码复现 xff08 基于mnist
  • white/black-box attack(黑盒白盒攻击基础)

    基本概念 攻击方法分类标准 xff1a 假正性攻击 false positive 与伪负性攻击 false negative 假正性攻击 xff1a 原本是错误的但被被攻击模型识别为正例的攻击 eg 一张人类不可识别的图像 xff0c 被D
  • KL散度公式详解

    目录 文章目录 Jensen 39 s inequality讲解KL散度 xff08 又名relative entropy xff09 mutual information Jensen s inequality f x
  • 元学习算法MAML论文详解

    论文信息 题目 xff1a Model Agnostic Meta Learning for Fast Adaptation of Deep Networks 作者 xff1a Chelsea Finn 伯克利大学 xff0c Pieter
  • PINN内嵌物理知识神经网络入门及文献总结

    喜欢可点赞关注 xff0c 并收藏 xff0c 您的支持就是我的写作的动力 文章目录 一 PINN介绍二 物理信息驱动深度学习动手编程教程三 物理信息驱动深度学习方法几点讨论四 相关论文1 定义问题 建立工程架构2 网络结构选择3 不确定性
  • 极限学习机(Extreme Learning Machine,ELM)详解

    ELM ELM的提出目的是为了解决人工神经网络训练时耗费的时间和高成本 对此 xff0c 2004年由南洋理工大学的黄广斌提出了ELM学习理论 机器或者生物学习可以不需要调整隐层节点 xff1a 给定任何连续目标函数或者可分类目标 xff0
  • PINN深度学习求解微分方程系列一:求解框架

    下面我将介绍内嵌物理知识神经网络 xff08 PINN xff09 求解微分方程 首先介绍PINN基本方法 xff0c 并基于Pytorch框架实现求解一维Poisson方程 内嵌物理知识神经网络 xff08 PINN xff09 入门及相
  • PINN深度学习求解微分方程系列三:求解burger方程逆问题

    下面我将介绍内嵌物理知识神经网络 xff08 PINN xff09 求解微分方程 首先介绍PINN基本方法 xff0c 并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程逆问题 内嵌物理知识神经网络 xff08 P
  • 深度学习求解微分方程系列五:PINN求解Navier-Stokes方程正逆问题

    下面我将介绍内嵌物理知识神经网络 xff08 PINN xff09 求解微分方程 首先介绍PINN基本方法 xff0c 并基于Pytorch的PINN求解框架实现求解含时间项的二维Navier Stokes方程 内嵌物理知识神经网络 xff
  • Keras解读:使用Model()类构建网络模型的底层原理

    目录 一 前言 xff1a 二 topology py脚本简述 三 继承了Layer类的子类一般要实现 xff08 重写 xff09 以下methods xff1a 四 Node layer tensor在网络构建过程中的关系 建议结合源码
  • 【Paraview教程】第一章安装与基础介绍

    1 Paraview介绍 1 1基本介绍 ParaView是一个开源的 xff0c 跨平台的数据处理和可视化程序 ParaView用户可以迅速的建立起可视化环境利用定量或者是定性的手段去分析数据 利用它的批量处理能力可以在三维空间内在工具栏