vtkSampleFunction 本身是为规则网格全采样设计的，没办法直接指定仅对稀疏掩码对应的体素进行计算。不过我们可以换个思路：直接利用 vtkImplicitPolyDataDistance 提供的方法，只对掩码指定的体素点单独计算法线（距离场的梯度），这样就能避免全网格采样的冗余计算。

核心思路 #

vtkImplicitPolyDataDistance 的 EvaluateFunctionAndGradient(x, y, z) 方法可以直接接收一个3D点坐标，返回该点到PolyData网格的距离，以及距离场的梯度（也就是你需要的法线方向）。我们只需要：

1. 把掩码对应的体素索引转换成实际的3D世界坐标
2. 对每个坐标调用该方法获取法线
3. 收集结果即可

代码实现示例 #

import vtk
from vtk.util.numpy_support import vtk_to_numpy
import numpy as np

# 假设你已经有这些预定义变量：
# implicit = vtk.vtkImplicitPolyDataDistance()  # 已初始化完成的对象
# bounds = [xmin, xmax, ymin, ymax, zmin, zmax]  # 原采样使用的边界
# nx, ny, nz = ...  # 原SampleDimensions参数
# mask = ...  # 布尔掩码，形状为(nx*ny*nz,)，标记需要保留的体素

# 1. 计算每个维度的采样步长（和vtkSampleFunction的采样规则完全一致）
dx = (bounds[1] - bounds[0]) / (nx - 1) if nx > 1 else 0.0
dy = (bounds[3] - bounds[2]) / (ny - 1) if ny > 1 else 0.0
dz = (bounds[5] - bounds[4]) / (nz - 1) if nz > 1 else 0.0

# 2. 将一维掩码索引转换为三维体素坐标索引(i,j,k)
indices = np.where(mask)[0]
k = indices // (nx * ny)
j = (indices % (nx * ny)) // nx
i = (indices % (nx * ny)) % nx

# 3. 把索引转换为世界空间坐标
x = bounds[0] + i * dx
y = bounds[2] + j * dy
z = bounds[4] + k * dz

# 4. 逐个计算法线（梯度）
normals = []
for xi, yi, zi in zip(x, y, z):
    dist, grad = implicit.EvaluateFunctionAndGradient(xi, yi, zi)
    # grad就是法线方向，和vtkSampleFunction输出的法线完全一致
    normals.append(grad)

# 转换为numpy数组格式
normals = np.array(normals)

性能优化建议 #

如果掩码对应的点数量较多，可以用numpy向量化或者多线程来加速计算（注意：vtkImplicitPolyDataDistance 通常是线程安全的，但建议先做小范围测试确认）。比如用 map 简化循环：

def compute_normal(x, y, z):
    _, grad = implicit.EvaluateFunctionAndGradient(x, y, z)
    return grad

# 批量计算法线
normals = np.array(list(map(compute_normal, x, y, z)))

方法优势 #

• 彻底避免了全网格采样的冗余计算，只处理你需要的稀疏点
• 大幅降低内存开销（不用生成并存储整个规则网格的采样数据）
• 计算结果和原方法完全一致，两者都是基于距离场梯度推导的法线

内容的提问来源于stack exchange，提问作者Daniel Bichou