Python3下无需循环/列表推导式提取多轮廓包围矩形顶点的优化方案

我有一个由多个轮廓点列表组成的列表，每个子列表对应一个图形的边界点，需要提取每个图形的包围矩形的四个顶点，格式为[[min_x, min_y], [min_x, max_y], [max_x, max_y], [max_x, min_y]]。例如输入列表为[[[2,5],[3,4],[5,8],[5,6],[5,9]], [[11,14],[12,15],[16,17]], ... ]，期望输出为[[[2,4],[2,9],[5,9],[5,4]], [[11,14], [11, 17], [16,17], [16,14]] ... ]。我已通过Python循环实现该功能，代码如下：

cleaned_contours = list()
for cur_cont in contours:
    min_x, min_y = cur_cont.min(axis=0).flatten()
    max_x, max_y = cur_cont.max(axis=0).flatten()
    cleaned_contours.append(np.array([[min_x, min_y], [min_x, max_y], [max_x, max_y], [max_x, min_y]]))

现询问是否可无需循环或列表推导式完成该操作，使用Python3环境。

当然可以！借助numpy的向量化运算能力，我们可以完全摆脱循环，直接对整个数据集进行批量处理，效率还会更高。具体步骤如下：

实现代码 #

import numpy as np

# 假设你的输入contours是Python列表，先转换为三维numpy数组（如果已经是数组可跳过这步）
contours_np = np.array(contours)

# 批量计算每个轮廓的最小、最大坐标（沿点数维度axis=1计算）
min_vals = contours_np.min(axis=1)  # 形状为(N, 2)，N是轮廓数量
max_vals = contours_np.max(axis=1)  # 形状为(N, 2)

# 批量构造每个轮廓的四个包围矩形顶点
vertex1 = min_vals  # [min_x, min_y]
vertex2 = np.stack([min_vals[:, 0], max_vals[:, 1]], axis=1)  # [min_x, max_y]
vertex3 = max_vals  # [max_x, max_y]
vertex4 = np.stack([max_vals[:, 0], min_vals[:, 1]], axis=1)  # [max_x, min_y]

# 将四个顶点按顺序堆叠，得到最终结果（形状为(N, 4, 2)）
cleaned_contours = np.stack([vertex1, vertex2, vertex3, vertex4], axis=1)

原理说明 #

1. 数组转换：先把输入的列表转成三维numpy数组，这样才能利用numpy的批量计算能力；
2. 批量极值计算：通过min(axis=1)和max(axis=1)直接对所有轮廓的点计算x、y方向的极值，一步得到所有轮廓的最小/最大坐标；
3. 顶点构造：用np.stack将对应的极值组合成每个顶点，最后再把四个顶点按要求的顺序堆叠起来，得到每个轮廓的包围矩形顶点数组。

这种方式完全没有循环或列表推导式，而且当轮廓数量很大时，向量化运算的效率会比Python循环高几个数量级。

内容的提问来源于stack exchange，提问作者Akash Kumar