如何计算二值图中多分离轮廓白色区域的整体质心？

你的思路方向是对的，但拼接轮廓点来计算质心的方式其实有个关键问题——你只用到了轮廓的边缘像素，忽略了白色区域内部的所有像素，这样算出来的是边缘点的质心，不是整个白色区域的质心，结果会和真实区域质心有偏差，尤其是当白色区域内部面积较大时，偏差会更明显。

下面给你两种更可靠的解决方案：

方法一：直接对二值图像计算矩（推荐，最简单高效） #

OpenCV的cv2.moments()函数可以直接接收单通道图像作为输入，此时它会计算所有非零像素（也就是你的白色区域）的矩，直接得到整个白色区域的质心，完全符合你的需求：

# 直接对二值图像计算矩
mmt = cv2.moments(binary_image)

# 计算质心坐标，注意先判断m00不为0（避免除以0错误）
if mmt['m00'] != 0:
    self.cx = int(mmt['m10'] / mmt['m00'])
    self.cy = int(mmt['m01'] / mmt['m00'])
else:
    # 处理图像中没有白色区域的特殊情况
    self.cx, self.cy = 0, 0

方法二：通过填充轮廓生成掩码后计算矩 #

如果你一定要基于轮廓操作，可以先创建一个空白掩码，把所有检测到的轮廓填充为白色，再对这个掩码计算矩，结果和方法一完全一致：

_, contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 创建和原图尺寸一致的空白掩码
mask = np.zeros_like(binary_image)
# 填充所有轮廓（参数-1表示填充所有轮廓，cv2.FILLED表示填充内部）
cv2.drawContours(mask, contours, -1, 255, thickness=cv2.FILLED)

# 对填充后的掩码计算矩
mmt = cv2.moments(mask)
if mmt['m00'] != 0:
    self.cx = int(mmt['m10'] / mmt['m00'])
    self.cy = int(mmt['m01'] / mmt['m00'])
else:
    self.cx, self.cy = 0, 0

总结一下，方法一不需要处理轮廓，一步到位就能得到准确的整体质心，是最优选择；你的原方法因为只考虑了边缘点，所以无法反映整个白色区域的质量分布，建议替换成上面的方案。

内容的提问来源于stack exchange，提问作者YYK