如何将Delaunay三角剖分结果转换为多种边数据结构并对比存储空间

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import Delaunay

points = np.array([[0.2, 0], [0.1, 1.1], [0.6, 0.1], [1, 0.5], [0.6,0.9], [0.4,0.4]])
tri = Delaunay(points)

#plot
plt.triplot(points[:,0], points[:,1], tri.simplices)
plt.plot(points[:,0], points[:,1], 'o')
plt.show()

print(tri.points)
"""
[[0.2 0. ]
[0.  1.1]
[0.6 0. ]
[1.  1. ]
[0.2 0.8]
[0.4 0.4]]
"""
print(tri.simplices)
"""
[[0 5 1]
[5 4 1]
[4 5 3]
[5 2 3]
[2 5 0]]
"""

上述代码对输入点集完成了Delaunay三角剖分，输出得到点集数组tri.points和三角面片索引数组tri.simplices。需要将这两个输出分别转换为半边数据结构（half-edge data structure）、翼边数据结构（winged-edge data structure）、角表数据结构（corner table data structure）、*四边形边数据结构（quad edge data structures）*四种不同的网格表示形式，同时对比哪种结构的存储空间占用更低。需要确认Python生态中是否有支持此类转换的第三方库，还是需要完全自行编码实现。

• 可用的现成第三方库如下：
  1. trimesh：是Python生态中最常用的三角网格处理库之一，原生支持半边数据结构。你可以直接将scipy输出的点和面片数组传入trimesh.Trimesh(vertices=tri.points, faces=tri.simplices)，生成的对象内置edges、halfedges等属性，可直接获取半边结构相关数据，也可以基于它提供的接口二次扩展得到翼边、角表、四边形边结构。
  2. pymesh：内置了半边、四边形边等结构的实现，不过安装门槛比trimesh高，部分环境下依赖配置比较麻烦。
  3. meshio：主要用于不同网格格式的读写，本身不直接内置这四种结构的封装，但可以基于它读取的点面数据快速做转换。
• 仍需自行编码的部分：
  目前没有库能直接同时输出四种标准结构的完整定义，如果你需要严格复现四种结构的标准定义、做精确的存储空间对比，部分逻辑需要自行补充：
  • 翼边结构需要额外存储每条边的左右面、左右端点对应的前后边关联信息，trimesh没有直接打包好的翼边结构，需要基于半边数据做映射转换。
  • 角表结构的存储逻辑最简单，仅需存储顶点、面片、每个角对应的对角角索引，可直接基于scipy输出的面片数组遍历生成，不需要额外依赖。
  • 四边形边结构专门用于处理流形网格的拓扑，如果你处理的都是三角剖分的流形网格，可以基于trimesh的半边结构配对生成，否则需要自行处理非流形的边界情况。
• 存储空间对比结论：
  同一张三角网格下，存储空间占用从低到高排序通常是：角表结构 < 半边结构 < 翼边结构 < 四边形边结构，具体占用大小和你存储每个属性的数据类型（比如用int32还是int64存索引）强相关。

内容的提问来源于stack exchange，提问作者Lyrk