bezier.py

   1 # Copied from
   2 #   /usr/lib/python2.7/dist-packages/matplotlib/bezier.py
   3 # in Debian's python-matplotlib 2.0.0+dfsg1-2 (amd64)
   4 # and trimmed to have only BezierSegment
   5
   6 # 1. This LICENSE AGREEMENT is between the Matplotlib Development Team
   7 # ("MDT"), and the Individual or Organization ("Licensee") accessing and
   8 # otherwise using matplotlib software in source or binary form and its
   9 # associated documentation.
  10 # .
  11 # 2. Subject to the terms and conditions of this License Agreement, MDT
  12 # hereby grants Licensee a nonexclusive, royalty-free, world-wide license
  13 # to reproduce, analyze, test, perform and/or display publicly, prepare
  14 # derivative works, distribute, and otherwise use matplotlib
  15 # alone or in any derivative version, provided, however, that MDT's
  16 # License Agreement and MDT's notice of copyright, i.e., "Copyright (c)
  17 # 2012- Matplotlib Development Team; All Rights Reserved" are retained in
  18 # matplotlib  alone or in any derivative version prepared by
  19 # Licensee.
  20 # .
  21 # 3. In the event Licensee prepares a derivative work that is based on or
  22 # incorporates matplotlib or any part thereof, and wants to
  23 # make the derivative work available to others as provided herein, then
  24 # Licensee hereby agrees to include in any such work a brief summary of
  25 # the changes made to matplotlib .
  26 # .
  27 # 4. MDT is making matplotlib available to Licensee on an "AS
  28 # IS" basis.  MDT MAKES NO REPRESENTATIONS OR WARRANTIES, EXPRESS OR
  29 # IMPLIED.  BY WAY OF EXAMPLE, BUT NOT LIMITATION, MDT MAKES NO AND
  30 # DISCLAIMS ANY REPRESENTATION OR WARRANTY OF MERCHANTABILITY OR FITNESS
  31 # FOR ANY PARTICULAR PURPOSE OR THAT THE USE OF MATPLOTLIB
  32 # WILL NOT INFRINGE ANY THIRD PARTY RIGHTS.
  33 # .
  34 # 5. MDT SHALL NOT BE LIABLE TO LICENSEE OR ANY OTHER USERS OF MATPLOTLIB
  35 #  FOR ANY INCIDENTAL, SPECIAL, OR CONSEQUENTIAL DAMAGES OR
  36 # LOSS AS A RESULT OF MODIFYING, DISTRIBUTING, OR OTHERWISE USING
  37 # MATPLOTLIB , OR ANY DERIVATIVE THEREOF, EVEN IF ADVISED OF
  38 # THE POSSIBILITY THEREOF.
  39 # .
  40 # 6. This License Agreement will automatically terminate upon a material
  41 # breach of its terms and conditions.
  42 # .
  43 # 7. Nothing in this License Agreement shall be deemed to create any
  44 # relationship of agency, partnership, or joint venture between MDT and
  45 # Licensee.  This License Agreement does not grant permission to use MDT
  46 # trademarks or trade name in a trademark sense to endorse or promote
  47 # products or services of Licensee, or any third party.
  48 # .
  49 # 8. By copying, installing or otherwise using matplotlib ,
  50 # Licensee agrees to be bound by the terms and conditions of this License
  51 # Agreement.
  52
  53 import six
  54 import numpy as np
  55 import warnings
  56
  57 class BezierSegment(object):
  58     """
  59     A simple class of a 2-dimensional bezier segment
  60     """
  61
  62     # Higher order bezier lines can be supported by simplying adding
  63     # corresponding values.
  64     _binom_coeff = {1: np.array([1., 1.]),
  65                     2: np.array([1., 2., 1.]),
  66                     3: np.array([1., 3., 3., 1.])}
  67
  68     def __init__(self, control_points):
  69         """
  70         *control_points* : location of contol points. It needs have a
  71          shpae of n * 2, where n is the order of the bezier line. 1<=
  72          n <= 3 is supported.
  73         """
  74         _o = len(control_points)
  75         self._orders = np.arange(_o)
  76         _coeff = BezierSegment._binom_coeff[_o - 1]
  77
  78         _control_points = np.asarray(control_points)
  79         xx = _control_points[:, 0]
  80         yy = _control_points[:, 1]
  81
  82         self._px = xx * _coeff
  83         self._py = yy * _coeff
  84
  85     def point_at_t(self, t):
  86         "evaluate a point at t"
  87         one_minus_t_powers = np.power(1. - t, self._orders)[::-1]
  88         t_powers = np.power(t, self._orders)
  89
  90         tt = one_minus_t_powers * t_powers
  91         _x = sum(tt * self._px)
  92         _y = sum(tt * self._py)
  93
  94         return _x, _y