笔者看了很多使用python来给图像去黑边的做法，他们几乎都会使用for循环来遍历大量像素，这对于python操作来说是非常低效的。

为此，斗胆提出了如下的算法：
1、找到图像中心点，并获取中心点所在横和纵的全部像素
2、使用numpy的向量化操作，比较横或纵像素点与黑边阈值的大小
3、找到上述比较结果中各处为True的结果，即为去除黑边后的图像边界

效果如下图所示：

实现代码

import cv2 
import numpy as np 

threshold = 40 # 阈值

gray = cv2.imread('./bgRemovedTEst.png') # 导入图片
gray = cv2.cvtColor(gray, cv2.COLOR_RGB2GRAY) # 转换为灰度图像

nrow = gray.shape[0] # 获取图片尺寸
ncol = gray.shape[1]

rowc = gray[:,int(1/2*nrow)] # 无法区分黑色区域超过一半的情况
colc = gray[int(1/2*ncol),:]

rowflag = np.argwhere(rowc > threshold)
colflag = np.argwhere(colc > threshold)

left,bottom,right,top = rowflag[0,0],colflag[-1,0],rowflag[-1,0],colflag[0,0]

cv2.imshow('name',gray[left:right,top:bottom]) # 效果展示
cv2.waitKey()

优点与改进空间

这样做的优点是显而易见的，代码逻辑清晰明了，且没有使用for循环效率极高，时间复杂度是o(n)，对于寻常图像大小比传统做法快了100倍的样子。

但是上述例程没有办法处理黑边范围超过一半的情况。为此可以将手动取中心点作为分界线，改成随机取点，直到该点不为黑边为止。