点云中特定标签邻近顶点的标签修正问题

我有一组3D顶点数据，需要将标签为1的顶点中与标签为2的顶点距离过近的点，以及标签为2的顶点中与标签为1的顶点距离过近的点，全部重映射为标签0。用循环处理速度太慢，尝试用scipy.spatial.distance.cdist实现时，发现标签数组无法更新——因为链式掩码索引会创建副本，修改操作不作用于原数组。

原错误代码片段：

from scipy.spatial.distance import cdist
import numpy as np
# ...
# 配置标签
labels = np.zeros(len(vertices), dtype=int)
labels[left_mask] = 1
labels[right_mask] = 2

threshold = 2

distances = cdist(vertices[left_mask], vertices[right_mask]) # 计算所有距离

close_vertices = np.any(distances < threshold, axis=1) # 找出所有距离小于阈值的索引
labels[left_mask][close_vertices] = 0 # 无法更新原labels数组

distances = cdist(vertices[right_mask], vertices[left_mask])
close_vertices = np.any(distances < threshold, axis=1)
labels[right_mask][close_vertices] = 0 # 无法更新原labels数组

问题根源 #

labels[left_mask][close_vertices]属于链式布尔索引，Numpy在这种情况下会创建原数组的副本而非视图，因此修改操作只作用于副本，原labels数组完全不受影响。

解决方案 #

直接获取标签1和标签2对应的整数索引数组，通过这些索引定位原数组中需要修改的位置，避免链式索引产生副本。

修改后的核心代码：

from scipy.spatial.distance import cdist
import numpy as np

# ... 假设vertices、left_mask、right_mask已定义

labels = np.zeros(len(vertices), dtype=int)
labels[left_mask] = 1
labels[right_mask] = 2

threshold = 2

# 获取标签1和标签2的整数索引（而非布尔掩码）
idx_label1 = np.where(labels == 1)[0]
idx_label2 = np.where(labels == 2)[0]

# 计算标签1与标签2顶点的距离矩阵
distances = cdist(vertices[idx_label1], vertices[idx_label2])
# 找出标签1中与任意标签2顶点过近的索引
close_label1 = idx_label1[np.any(distances < threshold, axis=1)]
# 直接修改原数组
labels[close_label1] = 0

# 复用距离矩阵转置，避免重复计算
distances_t = distances.T
close_label2 = idx_label2[np.any(distances_t < threshold, axis=1)]
# 直接修改原数组
labels[close_label2] = 0

完整验证示例 #

from scipy.spatial.distance import cdist
import numpy as np
import matplotlib.pyplot as plt

# 创建不同范围的随机顶点
vertices_left = np.random.rand(15, 3)
labels_left = np.zeros(15, dtype=int) + 1

vertices_middle = np.random.rand(15, 3) + 1
labels_middle = np.zeros(15, dtype=int) + 1

vertices_right = np.random.rand(15, 3) + 2
labels_right = np.zeros(15, dtype=int) + 2

# 合并所有顶点和标签
vertices = np.vstack((vertices_left, vertices_middle, vertices_right))
labels = np.concatenate((labels_left, labels_middle, labels_right))

# ---------------------- 核心处理逻辑 ----------------------
threshold = 0.5  # 缩小阈值，确保中间点会被检测为过近
idx_label1 = np.where(labels == 1)[0]
idx_label2 = np.where(labels == 2)[0]

distances = cdist(vertices[idx_label1], vertices[idx_label2])
close_label1 = idx_label1[np.any(distances < threshold, axis=1)]
labels[close_label1] = 0

distances_t = distances.T
close_label2 = idx_label2[np.any(distances_t < threshold, axis=1)]
labels[close_label2] = 0
# ---------------------------------------------------------

# 标签映射为颜色: 0 => 红色, 1 => 绿色, 2 => 蓝色
colors = np.array(['red', 'green', 'blue'])
vertex_colors = colors[labels]

# 绘制顶点
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(vertices[:, 0], vertices[:, 1], vertices[:, 2], c=vertex_colors)

# 显示图像
plt.show()

运行这段代码后，中间区域的绿色点（原标签1）会因为与右侧蓝色点（标签2）距离过近，被改为红色（标签0），符合预期。

内容的提问来源于stack exchange，提问作者Itay