已知相机的内参矩阵M和畸变系数D,相机外参的旋转矩阵R和平移矩阵T，使用python编写一个程序，提取二值化图片的边缘轮廓像素坐标，再把这些像素坐标转换到世界坐标系

首先，要在Python中实现这个功能，你需要使用一些计算机视觉库，如OpenCV (cv2) 和 NumPy。下面是一个简单的步骤概述：

1. 导入必要的库：

import cv2
import numpy as np
from scipy.spatial.transform import Rotation as Rpy

2. 定义函数来从图片中提取边缘并二值化：

def extract_edges_and_threshold(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, lowThreshold=50, highThreshold=150)
    _, binary = cv2.threshold(edges, 127, 255, cv2.THRESH_BINARY_INV)
    return binary

3. 确定图像的坐标，通常使用`findContours()`函数：

def find_contours(binary_img):
    contours, _ = cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    return contours

4. 将像素坐标转换到世界坐标系。对于每个轮廓，你需要应用透视变换。首先，计算轮廓的四个顶点（可能不止四个，取决于轮廓形状），然后将它们通过M、D、R和T转换：

def project_to_worldspace(contours, M, D, R, T):
    world_points = []
    for contour in contours:
        contour_poly = cv2.approxPolyDP(contour, 3, True) # 对角线长度小于3像素的顶点会舍弃
        world_corners = cv2.perspectiveTransform(np.array(contour_poly), np.hstack((R, T))) # 转换为世界坐标
        for point in world_corners:
            pixel_point = inverse_projection(point, M, D) # 反投影回像素空间
            world_points.append(pixel_point)
    return world_points

# 写一个辅助函数来执行反投影：
def inverse_projection(world_point, M, D):
    # 这里需要使用OpenCV的undistortPoints函数，它结合了内参矩阵和畸变系数
    # 但由于反投影过程通常涉及到反求解相机方程，这里简化说明，实际应用中可能需要对D做适当的处理
    distorted_pixel = None  # 根据OpenCV文档实现
    return distorted_pixel

注意，这里的`inverse_projection()`函数假设你已经理解了如何在给定相机参数的情况下进行反向映射，这通常涉及了解OpenCV的`undistortPoints()`函数，并可能需要考虑畸变校正。

最后，运行流程，获取边缘轮廓并转换到世界坐标：

binary_image = extract_edges_and_threshold(image)
contours = find_contours(binary_image)
world_coordinates = project_to_worldspace(contours, M, D, R, T)

#