如何用Python获取多边形边界包围区域的所有坐标点？

针对你需要提取多边形边界包围的所有坐标点（用于图像区域高亮）的需求，以下几个Python库都是基于底层优化实现的，完全不需要手动写循环，效率远高于手动遍历：

1. OpenCV（首选，适配图像场景） #

OpenCV的矩阵操作基于C++实现，速度极快，完美匹配图像区域处理的需求。核心思路是生成多边形掩码，再提取掩码中的非零坐标：

import cv2
import numpy as np

def get_polygon_inner_points(polygon, img_shape):
    # polygon: 输入的边界坐标列表，格式[[x1,y1], [x2,y2], ...]
    # img_shape: 图像的(高度, 宽度)，可通过img.shape[:2]获取
    mask = np.zeros(img_shape, dtype=np.uint8)
    # 转换为OpenCV要求的多边形格式
    pts = np.array(polygon, np.int32).reshape((-1, 1, 2))
    # 填充多边形区域
    cv2.fillPoly(mask, [pts], 255)
    # 提取所有非零坐标，返回[x,y]格式的列表
    y_coords, x_coords = np.where(mask == 255)
    return np.column_stack((x_coords, y_coords)).tolist()

优势：纯向量化操作，无Python层循环，速度最快；直接适配图像场景，拿到坐标后可直接用于图像像素修改（高亮）。

2. Shapely（通用几何计算场景） #

如果你的需求不局限于图像，需要更灵活的几何操作，Shapely是专业的几何计算库，底层经过优化：

from shapely.geometry import Polygon, Point
import numpy as np

def get_polygon_inner_points(polygon):
    poly = Polygon(polygon)
    # 获取多边形外接矩形，缩小待判断点的范围
    min_x, min_y, max_x, max_y = poly.bounds
    # 生成外接矩形内的所有整数坐标点
    x_vals = np.arange(int(np.floor(min_x)), int(np.ceil(max_x)) + 1)
    y_vals = np.arange(int(np.floor(min_y)), int(np.ceil(max_y)) + 1)
    xx, yy = np.meshgrid(x_vals, y_vals)
    all_points = np.column_stack((xx.ravel(), yy.ravel()))
    # 批量判断点是否在多边形内
    inside_mask = np.array([poly.contains(Point(p)) for p in all_points])
    # 筛选内部点
    return all_points[inside_mask].tolist()

优势：几何计算功能丰富，支持复杂多边形（含孔洞），通过外接矩形减少计算量，效率远高于手动射线法。

3. PIL/Pillow（轻量图像场景） #

如果已经在用PIL处理图像，可直接用其绘图功能生成掩码并提取坐标：

from PIL import Image, ImageDraw
import numpy as np

def get_polygon_inner_points(polygon, img_shape):
    # img_shape: 图像的(宽度, 高度)，注意与OpenCV的顺序相反
    mask = Image.new('L', img_shape, 0)
    draw = ImageDraw.Draw(mask)
    # 填充多边形
    draw.polygon(polygon, fill=255)
    # 转换为numpy数组提取坐标
    mask_np = np.array(mask)
    y_coords, x_coords = np.where(mask_np == 255)
    return np.column_stack((x_coords, y_coords)).tolist()

优势：轻量简洁，无需额外安装重型库（如果已用PIL），操作直观。

推荐选择 #

如果你的核心需求是图像区域高亮，优先用OpenCV方案，它的速度和适配性都是最优的，完全避免了手动循环的低效问题。

内容的提问来源于stack exchange，提问作者SwrW_1