提取多边形坐标：二值图像中值为1的形状坐标提取方法咨询

嘿，这个问题我在项目里碰过好多次，给你梳理几个实用又高效的思路，你可以根据自己用的工具和具体需求来挑：

1. NumPy原生快速提取（适合只需要所有1的坐标的场景） #

如果你的二值图像已经是NumPy数组的形式，直接用布尔索引是最快的方式——NumPy对矩阵操作的优化做得非常到位，几乎没有冗余计算：

import numpy as np

# 假设img是你的二值图像数组（元素为0或1）
coords = np.argwhere(img == 1)
# 输出的coords是N×2的数组，每行是(y, x)格式（因为NumPy按行优先存储，先取行索引再取列）

这个方法的优势是快、代码简洁，而且能直接和后续的数值计算流程无缝衔接，适合不需要区分独立形状，只需要收集所有1像素坐标的场景。

2. OpenCV轮廓提取（适合区分多个独立形状的场景） #

如果你的图像里有多个互不连通的1形状，想要分别获取每个形状的坐标，OpenCV的轮廓提取绝对是最优选择：

import cv2
import numpy as np

# 读取图像并转为灰度二值图（如果输入已经是二值图可以跳过阈值步骤）
img = cv2.imread('your_image.png', cv2.IMREAD_GRAYSCALE)
_, binary_img = cv2.threshold(img, 0.5, 1, cv2.THRESH_BINARY)

# 提取轮廓：RETR_EXTERNAL只保留最外层轮廓，CHAIN_APPROX_SIMPLE会压缩冗余点
contours, _ = cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历每个轮廓，转换为易处理的坐标格式
for contour in contours:
    # 把轮廓的三维数组压缩成N×2的(x, y)坐标列表
    shape_coords = contour.squeeze().tolist()
    # 这里可以对单个形状的坐标做分析、保存等操作

要是你需要每个形状的所有像素点，把CHAIN_APPROX_SIMPLE换成CHAIN_APPROX_NONE就行——不过后者会生成更多点，内存占用会高一些，按需选择就好。

3. PIL轻量遍历（适合小图像或快速原型验证） #

如果图像尺寸不大，或者你习惯用PIL生态，直接遍历像素也是个直观的选择：

from PIL import Image

img = Image.open('your_image.png').convert('L')  # 转为灰度图
width, height = img.size
coords = []

for y in range(height):
    for x in range(width):
        # 注意：如果你的二值图里1对应白色，这里值是255；如果直接存的是1，改成1即可
        if img.getpixel((x, y)) == 255:
            coords.append((x, y))

这个方法胜在直观易懂，但速度不如前两个，适合小图像或者快速验证想法的时候用。

几个实用优化技巧 #

• 内存优化：如果图像超大，没必要一次性把所有坐标存进内存，可以用生成器逐个返回坐标，避免内存溢出。
• 坐标顺序统一：不同库的坐标顺序不一样——NumPy是(y,x)，OpenCV和PIL是(x,y)，处理的时候一定要注意统一，别搞混了。
• 并行加速：要是有一堆图像要处理，可以用多进程/多线程来加速，比如结合NumPy的向量化操作或者OpenCV的并行接口。
• 连通区域标记：如果需要给每个1像素标记所属的形状，可以用skimage的measure.label方法，之后按标签提取对应坐标，适合复杂的形状分析场景。

如果你的场景有特殊要求（比如超大规模图像、实时处理等），可以补充细节，咱们再细化方案～

内容的提问来源于stack exchange，提问作者Night Walker