如何查找二值图像每列首个与末个白色像素并计算点间距离

以下是基于OpenCV和NumPy的落地实现方案，直接解决你的需求：

核心逻辑 #

1. 将二值图像转为NumPy数组，便于批量操作像素坐标
2. 定位所有白色像素的行、列索引，按列分组提取首尾行位置
3. 计算同一列首尾像素的垂直距离（行索引差值）

完整代码示例 #

import cv2
import numpy as np

# 读取二值图像（确保是单通道灰度图，白色为255，黑色为0）
img = cv2.imread("binary_image.png", cv2.IMREAD_GRAYSCALE)
if img is None:
    raise ValueError("无法读取图像，请检查路径是否正确")

# 获取图像尺寸
height, width = img.shape

# 定位所有白色像素的行、列索引
white_rows, white_cols = np.where(img == 255)

# 初始化距离数组，存储每列的首尾距离
column_distances = np.zeros(width, dtype=int)

# 遍历每一列计算距离
for col in range(width):
    # 筛选当前列的所有白色像素行索引
    current_col_rows = white_rows[white_cols == col]
    if len(current_col_rows) > 0:
        first_row = np.min(current_col_rows)  # 最上方白色像素行
        last_row = np.max(current_col_rows)   # 最下方白色像素行
        column_distances[col] = last_row - first_row
    else:
        column_distances[col] = 0  # 无白色像素的列距离设为0

# 示例：打印前10列的计算结果
print("前10列首尾白色像素距离：", column_distances[:10])

适配与优化说明 #

• 反色图像适配：如果你的二值图像是白色为0、黑色为255的反色格式，将代码中的img == 255改为img == 0即可
• 大图像性能优化：若图像尺寸极大，可改用批量分组替代循环，提升处理速度：

  # 优化版：避免循环，用NumPy批量分组处理
  unique_cols, col_indices = np.unique(white_cols, return_inverse=True)
  grouped_rows = np.split(white_rows, np.cumsum(np.bincount(col_indices))[:-1])
  
  column_distances = np.zeros(width, dtype=int)
  for col, rows in zip(unique_cols, grouped_rows):
      column_distances[col] = np.max(rows) - np.min(rows)
  

• 空列自定义处理：代码中默认无白色像素的列距离为0，可根据需求改为None或其他标记值

内容的提问来源于stack exchange，提问作者Fianlto