如何测量字母T所有像素之间的距离，尤其是边缘像素间的距离

核心结论：针对你需要优先计算边界像素距离的需求，先提取轮廓再做距离计算是最优方案，相比直接对所有黑色像素运算，可减少90%以上的冗余计算量。

具体实现步骤 #

1. 二值化预处理 #

将输入图像转为二值图，把构成字母T的黑色像素标记为前景（值为1），白色背景标记为0，可顺带做一次形态学开运算去除零星噪点。

2. 轮廓提取 #

两种简单方法都可以得到你示例中的单像素宽度轮廓：

• 形态学运算：用3×3的全1结构元对二值前景做腐蚀，再用原始二值图减去腐蚀后的结果，剩下的像素就是轮廓
• 直接调用成熟接口：比如OpenCV的Canny边缘检测算子，或者findContours接口可直接输出轮廓的坐标集合，仅需1~2行代码即可完成

这一步的时间复杂度仅和图像的宽高成正比，运算成本极低。

3. 距离计算 #

提取轮廓后你会得到一个N×2的坐标数组，N为边缘像素的总数量，根据你的需求选择对应的计算方式：

• 如果你需要的是任意两个边缘像素的欧氏直线距离：直接调用scipy.spatial.distance.cdist接口输入坐标数组，就能得到完整的N×N距离矩阵，矩阵中第i行第j列的数值就是第i个边缘点和第j个边缘点的直线距离
• 如果你需要的是沿轮廓的路径距离（即两个点沿着T的边缘行走的最短长度）：先把轮廓点按连通顺序排成序列，再计算相邻点的路径长度累计值即可，不需要做全局路径搜索

直接计算方案的说明 #

确实存在不用提前提取轮廓的计算方法：你可以先提取所有黑色像素的坐标，两两计算距离后再过滤出两个点均属于边缘的结果，但这种方案的计算量是M²（M为所有黑色像素的总数量），对于你提供的这种内部填充多的字母图形，M会是N的几十甚至上百倍，计算效率远低于先提轮廓的方案，没有必要选择。

内容的提问来源于stack exchange，提问作者magnolia1