二进制2D矩阵的python轮廓

我想计算一个二元NxM矩阵中形状周围的凸包。凸包算法需要一个坐标列表,所以我采用numpy.argwhere(im)来表示所有的形状点坐标。但是,这些点中的大多数都不是凸包(它们位于形状的内部)。因为凸包计算时间至少与它作为输入得到的点数成正比,所以我设计了一个想法,预先过滤过多的无用点,只传递那些跨越轮廓的点。这个想法很简单,对于二进制NxM矩阵中的每一行,我只取最小和最大索引。例如:

im = np.array([[1,1,1,0],
              [1,0,1,1],
              [1,1,0,1],
              [0,0,0,0],
              [0,1,1,1]], dtype=np.bool)
outline = somefunc(im)

然后大纲应该是(元组或5x2 numpy数组,我不介意):

[(0,0),(0,2),(1,0),(1,3),(2,0),(2,3),(4,1),(4,3)]

任何紧靠此形状(im)的凸面外壳必须是这些点(轮廓)的子集。换句话说,如果“somefunc()”能够有效地过滤内部点,则可以节省凸包计算的时间。

我有实现上述技巧的代码,但我希望有人有更聪明(读得更快)的方法,因为我需要多次运行它。我的密码是:

# I have a 2D binary field. random for the purpose of demonstration.
import numpy as np
im = np.random.random((320,360)) > 0.9

# This is my algorithm so far. Notice that coords is sorted.
coords = np.argwhere(im)
left = np.roll(coords[:,0], 1, axis=0) != coords[:,0]
outline = np.vstack([coords[left], coords[left[1:]], coords[-1]])

任何帮助都将不胜感激!

编辑

im outline . 至少对于大型图像,这要快得多。在明显缺乏外部解决方案的情况下,我将其作为这个问题的解决方案。

不过,如果有人知道一种更快的方法,请大声说:)