如何统计二维numpy数组或二值图像白色区域的角点数量

需求说明 #

• 统计二维NumPy数组中白色区域（像素值为1）的角点总数量
• 支持可选输出角点坐标，方便结果校验
• 数组背景像素值统一为0，白色区域像素值统一为1

已有方案的问题 #

之前尝试的两类方案都无法满足需求：

• 手写if/else邻域判断逻辑：无法覆盖所有边界场景（比如数组边缘的角点、极小尺寸白色块的角点）
• OpenCV Harris角点检测：算法本身适配大尺寸稠密图像，对像素级极小角点漏检率极高，例如下方3×4的小数组包含的角点就无法被稳定检出：

[
 [0, 0, 0, 0],
 [0, 1, 1, 1],
 [0, 1, 1, 1]
]

实现方案 #

针对像素级二值图像的角点检测，直接基于8邻域像素模式判断即可，不需要依赖复杂的CV算法：

1. 对每个值为1的像素，提取其3×3邻域范围的所有像素，数组边界外的像素默认按0计算
2. 凸直角角点的邻域特征为：当前像素为1，且邻域内刚好有3个连续相邻的1（对应角点延伸出的两个垂直边），其余邻域像素为0
3. 若需要统计凹角点、斜向角点，只需要扩展邻域匹配规则即可

可运行代码 #

import numpy as np
from scipy.ndimage import convolve

def count_corners(bin_arr, return_positions=False):
    """
    统计二值数组中白色(1)区域的凸角点数量
    :param bin_arr: 输入的二维0/1 numpy数组
    :param return_positions: 是否返回角点坐标
    """
    # 3x3邻域卷积核，用不同权重唯一标记邻域位置
    kernel = np.array([
        [1, 2, 4],
        [8, 0, 16],
        [32, 64, 128]
    ], dtype=np.uint8)
    # 卷积计算每个像素的邻域特征值，边界外补0
    neighbor_code = convolve(bin_arr.astype(np.uint8), kernel, mode='constant', cval=0)
    # 4种凸角点对应的特征值：左上、右上、左下、右下
    corner_codes = {208, 104, 22, 11}
    # 筛选本身为1、且邻域匹配角点特征的像素
    corner_mask = (bin_arr == 1) & (np.isin(neighbor_code, list(corner_codes)))
    corner_count = int(corner_mask.sum())
    if return_positions:
        positions = np.argwhere(corner_mask)
        return corner_count, positions
    return corner_count

# 测试示例
test_arr = np.array([
    [0,0,0,0],
    [0,1,1,1],
    [0,1,1,1]
])
count, pos = count_corners(test_arr, return_positions=True)
print(f"角点数量：{count}")
print(f"角点坐标（行,列）：\n{pos}")

测试输出 #

角点数量：4
角点坐标（行,列）：
[[1 1]
 [1 3]
 [2 1]
 [2 3]]

注：如果需要检测其他类型的角点，只需要把对应邻域模式的编码加入corner_codes集合即可，所有邻域组合都可以通过卷积核的权重生成唯一编码，不会出现逻辑遗漏。

内容的提问来源于stack exchange，提问作者tejas bhakta