如何用直线拟合带锯齿边缘的二值图像？

以下方案均优先保障运行速度，精度满足常规需求：

• 首选方案：行扫描取边界点+最小二乘拟合
  1. 直接遍历二值图像的每一行，根据你图像的前景背景像素值，提取每一行对应锯齿边缘的交界点坐标，无需做Canny等复杂边缘检测，仅做像素值判断即可，时间复杂度和图像像素数成正比，速度极快。
  2. 收集到所有边缘点的(x,y)坐标后，直接调用最小二乘一次函数拟合接口即可得到目标直线，计算量仅和边缘点数量相关，常规图像下耗时可以忽略。
• 备选方案（边缘存在少量离群噪声时用）：RANSAC直线拟合
  如果你提取的边界点存在少量异常点，可以用RANSAC算法替换最小二乘拟合，它会自动过滤离群点，计算量仅比最小二乘高一点，仍然能满足速度要求。
• 极致提速优化：你还可以对图像做行降采样，比如每2-3行提取一次边界点，拟合精度损失极小，但计算量可以直接降低数倍。

极简Python实现示例 #

import cv2
import numpy as np

# 读入二值图像，确保读入后仅含0和255两个像素值
binary_img = cv2.imread("你的二值图路径.png", 0)
height, width = binary_img.shape
edge_points = []

# 逐行扫描提取边缘点，以下半部分白色前景、黑色背景的边缘为例，可根据你的图像调整判断逻辑
for y in range(height):
    # 找到当前行所有白色像素的x坐标
    white_x = np.where(binary_img[y] == 255)[0]
    if len(white_x) > 0:
        # 取当前行最右侧的白色x坐标作为边缘点，可根据你的边缘方向调整
        edge_points.append([white_x[-1], y])

# 拟合直线 y = kx + b
edge_points = np.array(edge_points)
k, b = np.polyfit(edge_points[:, 0], edge_points[:, 1], deg=1)

内容的提问来源于stack exchange，提问作者f. c.