如何在Python中计算二值图像轮廓到图像中心的最远距离？

核心思路 #

要找到轮廓上距离图像中心最远的点，核心是计算轮廓上每个点到中心的距离，再筛选出距离最大的点。无需依赖argmin/argmax找极值点的逻辑，直接通过距离计算即可实现。

实现步骤与代码 #

1. 图像预处理：读取图像后转为灰度图，再二值化得到黑白轮廓图
2. 提取轮廓：使用OpenCV的findContours函数获取图像中的轮廓
3. 计算图像中心：根据图像尺寸算出中心坐标
4. 遍历轮廓点计算距离：对每个轮廓点，计算其到中心的距离（用平方距离可避免开根号，提升效率）
5. 筛选最远点：找到距离最大的点的坐标

import cv2
import numpy as np

# 1. 读取并预处理图像
img = cv2.imread('your_image_path.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化（根据图像调整阈值，这里用自动阈值）
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 2. 提取轮廓
# 兼容OpenCV不同版本的返回值，取轮廓列表
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 假设处理最大的轮廓（如果有多个轮廓）
max_contour = max(contours, key=cv2.contourArea)

# 3. 计算图像中心
h, w = img.shape[:2]
center_x, center_y = w // 2, h // 2

# 4. 计算每个轮廓点到中心的平方距离（避免开根号，不影响大小比较）
# 把轮廓点转为二维数组，形状为(N, 2)
contour_points = max_contour.reshape(-1, 2)
# 计算每个点与中心的坐标差
dx = contour_points[:, 0] - center_x
dy = contour_points[:, 1] - center_y
dist_sq = dx**2 + dy**2

# 5. 找到最远点
max_dist_idx = np.argmax(dist_sq)
farthest_point = contour_points[max_dist_idx]
max_distance = np.sqrt(dist_sq[max_dist_idx])  # 如需实际距离则开根号

print(f"最远点坐标：{farthest_point}")
print(f"到中心的距离：{max_distance:.2f}")

# 可选：在图像上标记中心和最远点
cv2.circle(img, (center_x, center_y), 5, (0, 255, 0), -1)
cv2.circle(img, tuple(farthest_point), 5, (0, 0, 255), -1)
cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键说明 #

• 如果图像中有多个轮廓，可选择遍历所有轮廓的点来寻找全局最远点，只需把max_contour替换为所有轮廓点的合并数组即可
• 使用平方距离计算可以避免开根号运算，大幅提升计算效率，仅在需要实际距离数值时再开根号
• OpenCV中轮廓点的坐标顺序是(x, y)，与图像的宽、高对应（x对应宽度方向，y对应高度方向）

内容的提问来源于stack exchange，提问作者Miro