如何快速计算点云3D边界并降低GUI着色交互延迟？

额外提示：你提到绘制每个Point时都会查询范围，这属于不必要的重复调用，绘制前只查询1次extents存为局部变量，所有点着色时共用这个变量即可，这一步就能把极值计算的调用次数从N次降到1次，收益极高。

1. 单次遍历计算全量极值（比原有实现提速5~6倍） #

你现有代码的最大性能损耗是每调用一次extents属性，会完整遍历6次points列表：每个min、max函数都单独走一遍所有点。只要改成单次遍历同时计算6个极值，就能直接把这部分耗时降到原来的1/6左右，比单独做z值属性的通用收益更高，代码示例：

@property
def extents(self) -> Extents:
    if self.size == 0:
        return Extents(0, 0, 0, 0, 0, 0)
    # 初始化极值为第一个点的坐标
    min_x = max_x = self.points[0].x
    min_y = max_y = self.points[0].y
    min_z = max_z = self.points[0].z
    # 仅遍历一次所有点完成全部极值计算
    for point in self.points[1:]:
        if point.x < min_x:
            min_x = point.x
        elif point.x > max_x:
            max_x = point.x
        if point.y < min_y:
            min_y = point.y
        elif point.y > max_y:
            max_y = point.y
        if point.z < min_z:
            min_z = point.z
        elif point.z > max_z:
            max_z = point.z
    return Extents(min_x, max_x, min_y, max_y, min_z, max_z)

如果仅需要z值范围，同理写单次遍历的z极值专属属性即可，150个点的场景耗时可以轻松压到0.001秒级别。

2. 增量更新缓存（适合点数量大、点修改频率低的场景） #

你之前缓存方案卡顿的核心原因是每次场景变更都全量重算极值，正确的缓存方案应该做增量更新：

• Map类新增_cached_extents私有变量存储缓存的Extents对象，新增_extents_dirty布尔标记位标记缓存是否失效
• 只有当点新增、删除、点坐标修改的时候，才把_extents_dirty设为True，不要每次GUI刷新就触发重算
• 如果你的场景支持单点点坐标修改通知，还可以做到完全不需要遍历列表：新增点的时候直接拿新点的坐标和缓存的6个极值对比更新即可，删除点的时候如果删除的是当前极值点再触发一次全量计算（这种场景出现概率极低），这种方案不管点数量是150还是10万，获取极值的耗时都是O(1)级别。

3. 大规模点云场景的额外优化 #

如果未来点数量上升到10万以上级别，可以用numpy数组存储所有点的坐标，调用numpy的min/max接口计算极值，底层是C实现，比Python层遍历快1~2个数量级：

import numpy as np
# 提前把所有点的坐标存为numpy数组，更新点的时候同步更新这个数组
self.coords_arr = np.array([(p.x, p.y, p.z) for p in self.points], dtype=np.int32)
@property
def extents(self):
    if self.size == 0:
        return Extents(0,0,0,0,0,0)
    min_vals = self.coords_arr.min(axis=0)
    max_vals = self.coords_arr.max(axis=0)
    return Extents(min_vals[0], max_vals[0], min_vals[1], max_vals[1], min_vals[2], max_vals[2])

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