如何高效利用索引数组将最近中心点标签映射至目标数组？

我有如下中心点数组：

centers = array([[0,0,0,0],
                 [0,1,0,0],  
                 [0,0,0,1],    
                 [1,0,0,0]])

通过scikit.ndimage.distance_transform_edt()得到每个背景元素最近中心点的索引数组：

indexes = array([[[1,1],[1,1],[1,1],[3,2]],
                 [[1,1],[1,1],[1,1],[3,2]],
                 [[0,3],[1,1],[3,2],[3,2]],
                 [[0,3],[0,3],[0,3],[3,2]]])

随后为原始中心点数组添加唯一标记：

labeled_centers = array([[0,0,0,0],
                         [0,2,0,0],
                         [0,0,0,3],
                         [4,0,0,0]])

需求是高效利用上述索引数组生成新数组，使每个点标记为最近中心点的标签，目标数组如下：

labeled_image = array([[2,2,2,1,1],
                       [2,2,2,3,1],
                       [4,2,3,3,3],
                       [4,4,4,3,3]])

目前通过遍历数组每个元素实现了需求，但实际场景需要处理百万甚至十亿级别的数组，希望避免逐元素循环，寻求更高效的实现方法。

直接利用NumPy的高级索引特性，无需编写循环即可完成批量索引取值：

import numpy as np

# 假设indexes、labeled_centers已按需求定义好
classed = labeled_centers[indexes[0], indexes[1]]

原理说明 #

NumPy的高级索引支持将多维索引数组直接作为下标，indexes[0]是所有点的行索引构成的二维数组，indexes[1]是对应列索引构成的二维数组，两者形状完全匹配。当用这两个数组作为labeled_centers的下标时，NumPy会自动按位置一一对应取值，生成与索引数组形状一致的结果数组。这种操作是底层C实现的向量化运算，比Python层面的逐元素循环快几个数量级，完全适配大规模数组的处理需求。

内容的提问来源于stack exchange，提问作者shawkra