cv2.findContours适用于复杂形状和多个对象。Polygons列表包含coords列表，每个列表看起来像这样[x1，y1，x2，y2，x3，y3，...]。

contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
polygons = []

for obj in contours:
    coords = []
        
    for point in obj:
        coords.append(int(point[0][0]))
        coords.append(int(point[0][1]))

    polygons.append(coords)

可以使用np.column_stack() + np.where()。其思想是确定二进制图像中的白色像素，然后按相应的(x, y)顺序排序

coords = np.column_stack(np.where(image > 0))

另一种方法是使用OpenCV的cv2.boundingRect()查找边界矩形的坐标。这将给予宽度、高度和左上角的(x,y)坐标。这里有一个例子，找到坐标，然后绘制多边形到一个空白的面具

import cv2
import numpy as np

image = cv2.imread('1.png', 0)
x,y,w,h = cv2.boundingRect(image)
mask = np.ones(image.shape, dtype=np.uint8) * 255
mask = cv2.merge([mask,mask,mask])
cv2.rectangle(mask, (x, y), (x + w, y + h), (36,255,12), 2)

cv2.imshow('mask', mask)
cv2.waitKey()

你可以把正方形当作一个对象，并使用skimage.measure.regionprops函数访问它的属性。
我强烈建议您查看文档，因为它在许多情况下都是非常有用的功能：
https://scikit-image.org/docs/dev/api/skimage.measure.html#skimage.measure.regionprops
此外，还有skimage.measure.regionprops_table，它给了你一个字典来转换到Pandas框架。
我的解决方案如下：

from skimage.io import imread
from skimage.measure import regionprops_table
from pandas import DataFrame

import numpy as np
import matplotlib.pyplot as plt

rectangle = imread('rectangle_img.png')    
props_rect = DataFrame(regionprops_table(rectangle, properties=['coords']))

new_img = np.zeros((rectangle.shape[0], rectangle.shape[1]))

for point in props_rect['coords'][0]:

    new_img[point[0], point[1]] = 1

plt.imshow(new_img)

contours, _ = cv2.findContours(binary_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
polygons = [np.array(polygon).squeeze() for polygon in contours]

polygons是一个list，arrays的形状为N, 2，其中N对应于点数，2对应于x和y坐标