Question

我有一个三角形曲面细分，如图所示。

在曲面细分中给定N个三角形数量，我有一个N X 3 X 3数组，用于存储每个三角形的所有三个顶点的(x, y, z)坐标。我的目标是为每个三角形找到共享相同边缘的相邻三角形。这是一个错综复杂的部分是我不重复邻居计数的整个设置。也就是说，如果三角形j已被计为三角形i的邻居，则三角形i不应再次计为三角形j的邻居。这样，我想有一个地图存储每个索引三角形的邻居列表。如果我从索引i中的三角形开始，那么索引i将有三个邻居，而所有其他邻居将有两个或更少。举个例子，假设我有一个存储三角形顶点的数组：

import numpy as np
vertices = np.array([[[2.0, 1.0, 3.0],[3.0, 1.0, 2.0],[1.2, 2.5, -2.0]],
                     [[3.0, 1.0, 2.0],[1.0, 2.0, 3.0],[1.2, -2.5, -2.0]],
                     [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[3.0, 1.0, 2.0]],
                     [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[2.2, 2.0, 1.0]],
                     [[1.0, 2.0, 3.0],[2.2, 2.0, 1.0],[4.0, 1.0, 0.0]],
                     [[2.0, 1.0, 3.0],[2.2, 2.0, 1.0],[-4.0, 1.0, 0.0]]])

假设我从顶点索引2开始计数，即具有顶点[[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[3.0, 1.0, 2.0]]的那个，那么，我希望我的输出类似于：

neighbour = [[], [], [0, 1, 3], [4, 5], [], []].

更新根据@ Ajax1234的回答，我认为存储输出的好方法就像@ Ajax1234的演示一样。然而，在某种意义上，输出中存在模糊性，因为不可能知道哪个邻居是哪个。虽然示例数组不好，但我有二十面体的实际顶点，那么如果我从一个给定的三角形开始，我保证第一个有3个邻居，剩下两个邻居（直到所有三角形数都耗尽）。在这方面，假设我有一个以下数组：

vertices1 = [[[2, 1, 3], [3, 1, 2], [1, 2, -2]], 
            [[3, 1, 2], [1, 2, 3], [1, -2, 2]], 
            [[1, 2, 3], [2, 1, 3], [3, 1, 2]], 
            [[1, 2, 3], [2, 1, 3], [2, 2, 1]],
            [[1, 2, 3], [2, 2, 1], [4, 1, 0]], 
            [[2, 1, 3], [2, 2, 1], [-4, 1, 0]],
            [[3, 1, 3], [2, 2, 1], [-4, 1, 0]],
            [[8, 1, 2], [1, 2, 3], [1, -2, 2]]]

@ Ajax1234在下面的答案中显示的BFS算法给出

的输出

[0, 1, 3, 7, 4, 5, 6]

而如果我只是交换最后一个元素的位置

vertices2 = [[[2, 1, 3], [3, 1, 2], [1, 2, -2]], 
            [[3, 1, 2], [1, 2, 3], [1, -2, 2]], 
            [[1, 2, 3], [2, 1, 3], [3, 1, 2]], 
            [[1, 2, 3], [2, 1, 3], [2, 2, 1]],
            [[1, 2, 3], [2, 2, 1], [4, 1, 0]], 
            [[8, 1, 2], [1, 2, 3], [1, -2, 2]],
            [[2, 1, 3], [2, 2, 1], [-4, 1, 0]],
            [[3, 1, 3], [2, 2, 1], [-4, 1, 0]]]

，输出

[0, 1, 3, 4, 5, 6, 7].

这有点模棱两可，因为在网格中的位置根本没有改变，它们只是被交换了。因此，我想以一致的方式进行搜索。例如，第一次搜索索引为2的邻居会为[0, 1, 3]和vertices1提供vertices2，现在我希望搜索位于索引0，它找不到任何内容，因此转到下一个元素1应该找到7的索引vertices1和5的索引vertices2。因此，对于[0, 1, 3, 7]和[0, 1, 3, 5]，当前输出应分别为vertices1，vertices2。接下来我们转到索引3，依此类推。在我们用尽所有搜索之后，第一个的最终输出应该是

[0, 1, 3, 7, 4, 5, 6]

和第二个

[0, 1, 3, 5, 4, 6, 7].

实现这一目标的有效方法是什么？

Answer 1

由于@ Ajax1234的指导，我找到了答案。根据您比较列表元素的方式，有一个小的复杂性。这是一种工作方法：

import numpy as np
from collections import deque
import time
d = [[[2, 1, 3], [3, 1, 2], [1, 2, -2]], 
     [[3, 1, 2], [1, 2, 3], [1, -2, 2]], 
     [[1, 2, 3], [2, 1, 3], [3, 1, 2]], 
     [[1, 2, 3], [2, 1, 3], [2, 2, 1]],
     [[1, 2, 3], [2, 2, 1], [4, 1, 0]],
     [[2, 1, 3], [2, 2, 1], [-4, 1, 0]],
     [[3, 1, 3], [2, 2, 1], [-4, 1, 0]]]
def bfs(d, start):
  queue = deque([d[start]])
  seen = [start]
  results = []
  while queue:
    _vertices = queue.popleft()
    current = [[i, a] for i, a in enumerate(d) if len([x for x in a if x in _vertices])==2 and i not in seen]
    if len(current)>0:
        current_array = np.array(current, dtype=object)
        current0 = list(current_array[:, 0])
        current1 = list(current_array[:, 1])
        results.extend(current0)
        queue.extend(current1)
        seen.extend(current0)
  return results

time1 = time.time()
xo = bfs(d, 2)
print(time.time()-time1)
print(bfs(d, 2))

对于大小为(3000, 3, 3)的数组，代码目前需要18秒才能运行。如果我添加@numba.jit(parallel = True, error_model='numpy')，则实际需要30秒。这可能是因为queue不支持numba。如果任何人能够建议如何更快地制作这些代码，我会很高兴。

<强>更新

代码中存在一些冗余，现在已被删除，并且代码在14秒内运行，而不是30秒，而d的大小为(4000 X 3 X 3) 1}}。仍然不是很好，但是进步很好，现在代码看起来更干净。

Answer 2

如果您愿意使用networkx库，则可以利用其快速bfs实现。我知道，添加另一个依赖项很烦人，但性能提升似乎很大，见下文。

import numpy as np
from scipy import spatial
import networkx

vertices = np.array([[[2.0, 1.0, 3.0],[3.0, 1.0, 2.0],[1.2, 2.5, -2.0]],
                     [[3.0, 1.0, 2.0],[1.0, 2.0, 3.0],[1.2, -2.5, -2.0]],
                     [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[3.0, 1.0, 2.0]],
                     [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[2.2, 2.0, 1.0]],
                     [[1.0, 2.0, 3.0],[2.2, 2.0, 1.0],[4.0, 1.0, 0.0]],
                     [[2.0, 1.0, 3.0],[2.2, 2.0, 1.0],[-4.0, 1.0, 0.0]]])


vertices1 = np.array([[[2, 1, 3], [3, 1, 2], [1, 2, -2]], 
                      [[3, 1, 2], [1, 2, 3], [1, -2, 2]], 
                      [[1, 2, 3], [2, 1, 3], [3, 1, 2]], 
                      [[1, 2, 3], [2, 1, 3], [2, 2, 1]],
                      [[1, 2, 3], [2, 2, 1], [4, 1, 0]], 
                      [[2, 1, 3], [2, 2, 1], [-4, 1, 0]],
                      [[3, 1, 3], [2, 2, 1], [-4, 1, 0]],
                      [[8, 1, 2], [1, 2, 3], [1, -2, 2]]])


def make(N=3000):
    """create a N random points and triangulate"""
    points= np.random.uniform(-10, 10, (N, 3))
    tri = spatial.Delaunay(points[:, :2])
    return points[tri.simplices]

def bfs_tree(triangles, root=0, return_short=True):
    """convert triangle list to graph with vertices = triangles,
    edges = pairs of triangles with shared edge and compute bfs tree
    rooted at triangle number root"""
    # use the old view as void trick to merge triplets, so they can
    # for example be easily compared
    tr_as_v = triangles.view(f'V{3*triangles.dtype.itemsize}').reshape(
        triangles.shape[:-1])
    # for each triangle write out its edges, this involves doubling the
    # data becaues each vertex occurs twice
    tr2 = np.concatenate([tr_as_v, tr_as_v], axis=1).reshape(-1, 3, 2)
    # sort vertices within edges ...
    tr2.sort(axis=2)
    # ... and glue them together
    tr2 = tr2.view(f'V{6*triangles.dtype.itemsize}').reshape(
        triangles.shape[:-1])
    # to find shared edges, sort them ...
    idx = tr2.ravel().argsort()
    tr2s = tr2.ravel()[idx]
    # ... and then compare consecutive ones
    pairs, = np.where(tr2s[:-1] == tr2s[1:])
    assert np.all(np.diff(pairs) >= 2)
    # these are the edges of the graph, the vertices are implicitly 
    # named 0, 1, 2, ...
    edges = np.concatenate([idx[pairs,None]//3, idx[pairs+1,None]//3], axis=1)
    # construct graph ...
    G = networkx.Graph(edges.tolist())
    # ... and let networkx do its magic
    res = networkx.bfs_tree(G, root)
    if return_short:
        # sort by distance from root and then by actual path
        sp = networkx.single_source_shortest_path(res, root)
        sp = [sp[i] for i in range(len(sp))]
        sp = [(len(p), p) for p in sp]
        res = sorted(range(len(res.nodes)), key=sp.__getitem__)
    return res

演示：

# OP's second example:
>>> bfs_tree(vertices1, 2)
[2, 0, 1, 3, 7, 4, 5, 6]
>>> 
# large random example
>>> random_data = make()
>>> random_data.shape
(5981, 3, 3)
>>> bfs = bfs_tree(random_data)
# returns instantly

Answer 3

您描述的过程听起来类似于广度优先搜索，可用于查找邻居的三角形。然而，输出仅给出了索引，因为不清楚空列表如何在最终输出中结束：

from collections import deque
d = [[[2.0, 1.0, 3.0], [3.0, 1.0, 2.0], [1.2, 2.5, -2.0]], [[3.0, 1.0, 2.0], [1.0, 2.0, 3.0], [1.2, -2.5, -2.0]], [[1.0, 2.0, 3.0], [2.0, 1.0, 3.0], [3.0, 1.0, 2.0]], [[1.0, 2.0, 3.0], [2.0, 1.0, 3.0], [2.2, 2.0, 1.0]], [[1.0, 2.0, 3.0], [2.2, 2.0, 1.0], [4.0, 1.0, 0.0]], [[2.0, 1.0, 3.0], [2.2, 2.0, 1.0], [-4.0, 1.0, 0.0]]]
def bfs(d, start):
  queue = deque([d[start]])
  seen = [start]
  results = []
  while queue:
    _vertices = queue.popleft()
    exists_at = [i for i, a in enumerate(d) if a == _vertices][0]
    current = [i for i, a in enumerate(d) if any(c in a for c in _vertices) and i != exists_at and i not in seen]
    results.extend(current)
    queue.extend([a for i, a in enumerate(d) if any(c in a for c in _vertices) and i != exists_at and i not in seen])
    seen.extend(current)
  return results

print(bfs(d, 2))

输出：

[0, 1, 3, 4, 5]

Answer 4

您可以使用trimesh

这些功能由源代码中的注释记录。一般的文档真的很棒。当我第一次使用它时，我也发现它不是那么直接，但是如果你有基础知识，它是一个功能强大且易于使用的软件包。

我认为最大的问题是如何获得干净的网格定义。如果你只有顶点坐标（比如stl格式），可能会出现问题，因为没有明确定义两个浮点数相等的点。

示例

import trimesh import numpy as np vertices = np.array([[[2.0, 1.0, 3.0],[3.0, 1.0, 2.0],[1.2, 2.5, -2.0]], [[3.0, 1.0, 2.0],[1.0, 2.0, 3.0],[1.2, -2.5, -2.0]], [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[3.0, 1.0, 2.0]], [[1.0, 2.0, 3.0],[2.0, 1.0, 3.0],[2.2, 2.0, 1.0]], [[1.0, 2.0, 3.0],[2.2, 2.0, 1.0],[4.0, 1.0, 0.0]], [[2.0, 1.0, 3.0],[2.2, 2.0, 1.0],[-4.0, 1.0, 0.0]]]) #generate_faces # I assume here that your input format is N x NPoints x xyz faces=np.arange(vertices.shape[0]*3).reshape(-1,3) #reshape_vertices (nx3) vertices=vertices.reshape(-1,3) #Create mesh object mesh=trimesh.Trimesh(vertices=vertices, faces=faces) # Set the tolerance to define which vertices are equal (default 1e-8) # It is easy to prove that int(5)==int(5) but is 5.000000001 equal to 5.0 or not? # This depends on the algorithm/ programm from which you have imported the mesh.... # To find a proper value for the tolerance and to heal the mesh if necessary, will # likely be the most complicated part trimesh.constants.tol.merge=tol #merge the vertices mesh.merge_vertices() # At this stage you may need some sort of healing algorithm.. # eg. reconstruct the input mesh.vertices[mesh.faces] #get for example the faces, vertices mesh.faces #These are indices to the vertices mesh.vertices # get the faces which touch each other on the edges mesh.face_adjacency

这给出了一个简单的2d数组，它们面对共享边。我个人会使用这种格式进行进一步计算。如果你想坚持你的定义，我会创建一个nx3 numpy数组（每个三角形应该有最多3个边缘邻居）。可以使用NaN或其他有意义的东西来填充缺失的值。

如果你真的想这样做，我可以添加一种有效的方法。

找到三角形切片的最近邻居

4 个答案:

您可以使用trimesh