Python 如何有效地将属性从一个点云分配到另一个点云？

我有两个基本相同的点云（X、Y、Z、强度），但其中一个是网格化的（因此点更少），并且有一个附加属性“分类”。我的目标是根据职位推断分类

假设点云A（

pcdst

in code snippet）有6.000.000个X、Y、Z强度的点。点云B（

pc_src

in code snippet）具有50000个具有X、Y、Z、强度和分类的点

我的想法是取A的每个点，查找B中距离最大的所有点，取它们的分类（最频繁的值），并将该分类分配给A的点

我已经有了这样一个函数：

def getclass(p_dst, pc_src, rad = 0.2):
    '''
    pc_src = coarse pointcloud with classification
    p_dst = point from dense pointcloud with no classification
    '''
    return np.bincount(list(pc_src[pow(pc_src[:,0]-p_dst[0],2) + pow(pc_src[:,1]-p_dst[1],2) + pow(pc_src[:,2]-p_dst[2],2) < pow(rad,2),4])).argmax()

但这是可怕的缓慢。 有人能帮我找到一个性能合理的解决方案吗

--->编辑：一些示例数据（如果需要，我可以共享更多）

点云A：

//X Y Z Intensity
5427.71386719 -6327.11523438 506.64389038 203.000000
5427.84130859 -6326.99609375 506.62570190 225.000000
5427.84863281 -6326.98876953 506.61660767 235.000000
5427.85058594 -6326.98681641 506.60430908 242.000000
5427.86572266 -6326.97265625 506.59909058 236.000000
5427.88574219 -6326.95410156 506.59271240 233.000000
5428.60937500 -6326.26416016 506.04458618 246.000000
5428.61132813 -6326.26171875 506.03640747 239.000000
5428.60791016 -6326.26464844 506.02410889 216.000000
5428.63134766 -6326.24218750 506.00170898 202.000000
5428.66015625 -6326.21582031 506.00579834 212.000000
5428.67675781 -6326.20019531 506.00299072 134.000000
5427.76416016 -6327.14990234 506.66101074 196.000000
5427.78662109 -6327.12890625 506.65771484 202.000000
5427.80712891 -6327.10937500 506.65109253 207.000000
5427.82177734 -6327.09570313 506.64410400 214.000000
5427.83398438 -6327.08398438 506.63629150 224.000000
5427.84277344 -6327.07568359 506.62750244 227.000000
5427.84570313 -6327.07226563 506.61849976 229.000000
5427.85449219 -6327.06396484 506.60830688 233.000000
5427.86669922 -6327.05224609 506.60079956 232.000000
5427.87939453 -6327.04052734 506.59341431 237.000000
5427.89160156 -6327.02880859 506.58441162 237.000000
5427.90332031 -6327.01757813 506.57958984 236.000000
5427.92138672 -6327.00097656 506.57260132 221.000000
5427.94970703 -6326.97460938 506.57049561 191.000000
5427.97656250 -6326.94970703 506.56799316 198.000000
5427.99218750 -6326.93457031 506.56039429 223.000000
5427.99462891 -6326.93212891 506.55139160 233.000000

点云B：

//X Y Z Intensity Classification
5427.70019531 -6327.10009766 506.60000610 238.000000 2.000000
5427.70019531 -6327.00000000 506.60000610 229.000000 2.000000
5427.70019531 -6326.79980469 506.50000000 245.000000 2.000000
5427.79980469 -6327.39990234 506.50000000 249.000000 2.000000
5427.79980469 -6327.39990234 506.60000610 214.000000 2.000000
5427.79980469 -6327.29980469 506.60000610 226.000000 2.000000
5427.79980469 -6327.20019531 506.50000000 231.000000 2.000000
5427.79980469 -6327.20019531 506.60000610 229.000000 2.000000
5427.79980469 -6327.10009766 506.50000000 237.000000 2.000000
5427.79980469 -6327.10009766 506.60000610 231.000000 2.000000
5427.79980469 -6327.00000000 506.50000000 236.000000 2.000000
5427.79980469 -6327.00000000 506.60000610 228.000000 2.000000
5427.79980469 -6326.89990234 506.50000000 246.000000 2.000000
5427.89990234 -6327.60009766 506.60000610 218.000000 2.000000

更详细的信息：

• 点云A：
• 点云B：
• 预期结果：

---

请发布一些具有预期输出的样本数据（如20长度

p_dst

和5长度

pc_src

）。只是为了让测试更容易，让测试人员更自信，更愿意提供answer@JanStránskýI添加了一些例子，对数据进行一些空间排序（如四叉树）可能会有所帮助。看一看它的图片。如需进一步帮助，请提供一些玩具（实际上是一些条目）输入和预期输出。例如，可以通过复制阵列来检查效率和正确性，这些阵列由他们自己复制以供输入。我提供的样品太大了？关于KDTree，我认为这是为了加快邻居搜索，但我认为这已经是一个可以接受的速度。我想到的是以某种方式矢量化函数（或类似的东西），而不是使用for循环。空间树的要点是进行6.000.000 x（远小于50.000）测试，这将提高性能。。

//X Y Z Intensity Classification
5427.70019531 -6327.10009766 506.60000610 238.000000 2.000000
5427.70019531 -6327.00000000 506.60000610 229.000000 2.000000
5427.70019531 -6326.79980469 506.50000000 245.000000 2.000000
5427.79980469 -6327.39990234 506.50000000 249.000000 2.000000
5427.79980469 -6327.39990234 506.60000610 214.000000 2.000000
5427.79980469 -6327.29980469 506.60000610 226.000000 2.000000
5427.79980469 -6327.20019531 506.50000000 231.000000 2.000000
5427.79980469 -6327.20019531 506.60000610 229.000000 2.000000
5427.79980469 -6327.10009766 506.50000000 237.000000 2.000000
5427.79980469 -6327.10009766 506.60000610 231.000000 2.000000
5427.79980469 -6327.00000000 506.50000000 236.000000 2.000000
5427.79980469 -6327.00000000 506.60000610 228.000000 2.000000
5427.79980469 -6326.89990234 506.50000000 246.000000 2.000000
5427.89990234 -6327.60009766 506.60000610 218.000000 2.000000