如何基于Python查找圖像中常見的顏色

本篇內(nèi)容介紹了“如何基于Python查找圖像中常見的顏色”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

武鳴網(wǎng)站建設(shè)公司成都創(chuàng)新互聯(lián),武鳴網(wǎng)站設(shè)計(jì)制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為武鳴上千家提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\外貿(mào)網(wǎng)站建設(shè)要多少錢，請找那個(gè)售后服務(wù)好的武鳴做網(wǎng)站的公司定做！

如果我們能夠得知道一幅圖像中最多的顏色是什么的話，可以幫助我們解決很多實(shí)際問題。例如在農(nóng)業(yè)領(lǐng)域中想確定水果的成熟度，我們可以通過檢查水果的顏色是否落在特定范圍內(nèi)，來判斷它們是否已經(jīng)成熟。

接下來我們將使用Python和一些常用庫(例如Numpy，Matplotlib和OpenCV)來解決這個(gè)問題。

01. 準(zhǔn)備工作

第一步：添加程序包

我們將在此處加載基本軟件包。另外，由于我們要使用Jupyter進(jìn)行編程，因此小伙伴們不要忘記添加%matplotlib inline命令。

第二步：加載并顯示示例圖像

我們將并排顯示兩個(gè)圖像，因此我們需要做一個(gè)輔助函數(shù)。接下來我們將加載一些在本教程中將要使用的示例圖像，并使用上述功能對其進(jìn)行顯示。

02. 常用方法

方法一：平均值

第一種方法是最簡單(但無效)的方法-只需找到平均像素值即可。使用numpy的average功能，我們可以輕松獲得行和寬度上的平均像素值-axis=(0,1)

img_temp = img.copy() img_temp[:,:,0], img_temp[:,:,1], img_temp[:,:,2] = np.average(img, axis=(0,1))  img_temp_2 = img_2.copy() img_temp_2[:,:,0], img_temp_2[:,:,1], img_temp_2[:,:,2] = np.average(img_2, axis=(0,1))  show_img_compar(img, img_temp) show_img_compar(img_2, img_temp_2)

從上面圖像中可以看出，平均方法可能會(huì)產(chǎn)生錯(cuò)誤結(jié)果，它給出的最常見的顏色可能并不是我們想要的顏色，這是因?yàn)槠骄悼紤]了所有像素值。當(dāng)我們具有高對比度的圖像(一張圖像中同時(shí)包含“淺色”和“深色”)時(shí)這個(gè)問題會(huì)很嚴(yán)重。在第二張圖片中，這一點(diǎn)更加清晰。它為我們提供了一種新的顏色，該顏色在圖像中根本看不到。

方法二：最高像素頻率

第二種方法將比第一種更加準(zhǔn)確。我們的工作就是計(jì)算每個(gè)像素值出現(xiàn)的次數(shù)。numpy給我們提供了一個(gè)函數(shù)可以完成這個(gè)任務(wù)。但是首先，我們必須調(diào)整圖像數(shù)據(jù)結(jié)構(gòu)的形狀，以僅提供3個(gè)值的列表(每個(gè)R，G和B通道強(qiáng)度一個(gè))。

我們可以使用numpy的reshape函數(shù)來獲取像素值列表。

現(xiàn)在我們已經(jīng)有了正確結(jié)構(gòu)的數(shù)據(jù)，可以開始計(jì)算像素值的頻率了，使用numpy中的unique函數(shù)即可。

img_temp = img.copy() unique, counts = np.unique(img_temp.reshape(-1, 3), axis=0, return_counts=True) img_temp[:,:,0], img_temp[:,:,1], img_temp[:,:,2] = unique[np.argmax(counts)]  img_temp_2 = img_2.copy() unique, counts = np.unique(img_temp_2.reshape(-1, 3), axis=0, return_counts=True) img_temp_2[:,:,0], img_temp_2[:,:,1], img_temp_2[:,:,2] = unique[np.argmax(counts)]  show_img_compar(img, img_temp) show_img_compar(img_2, img_temp_2)

比第一個(gè)更有意義嗎?最常見的顏色是黑色區(qū)域。但是如果我們不僅采用一種最常見的顏色，還要采用更多的顏色怎么辦?使用相同的概念，我們可以采用N種最常見的顏色。換句話說，我們要采用最常見的不同顏色群集該怎么辦。

方法三：使用K均值聚類

我們可以使用著名的K均值聚類將顏色組聚類在一起。

def palette(clusters):     width=300     palette = np.zeros((50, width, 3), np.uint8)     steps = width/clusters.cluster_centers_.shape[0]     for idx, centers in enumerate(clusters.cluster_centers_):          palette[:, int(idx*steps):(int((idx+1)*steps)), :] = centers     return palette   clt_1 = clt.fit(img.reshape(-1, 3)) show_img_compar(img, palette(clt_1))  clt_2 = clt.fit(img_2.reshape(-1, 3)) show_img_compar(img_2, palette(clt_2))

容易吧!現(xiàn)在，我們需要的是一個(gè)顯示上面的顏色簇并立即顯示的功能。我們只需要?jiǎng)?chuàng)建一個(gè)高度為50，寬度為300像素的圖像來顯示顏色組/調(diào)色板。對于每個(gè)顏色簇，我們將其分配給我們的調(diào)色板。

是不是很漂亮?就圖像中最常見的顏色而言，K均值聚類給出了出色的結(jié)果。在第二張圖像中，我們可以看到調(diào)色板中有太多的棕色陰影。這很可能是因?yàn)槲覀冞x擇了太多的群集。讓我們看看是否可以通過選擇較小的k值來對其進(jìn)行修復(fù)。

def palette(clusters):     width=300     palette = np.zeros((50, width, 3), np.uint8)     steps = width/clusters.cluster_centers_.shape[0]     for idx, centers in enumerate(clusters.cluster_centers_):          palette[:, int(idx*steps):(int((idx+1)*steps)), :] = centers     return palette  clt_3 = KMeans(n_clusters=3) clt_3.fit(img_2.reshape(-1, 3)) show_img_compar(img_2, palette(clt_3))

由于我們使用K均值聚類，因此我們?nèi)匀槐仨氉约捍_定適當(dāng)數(shù)量的聚類。三個(gè)集群似乎是一個(gè)不錯(cuò)的選擇。但是我們?nèi)匀豢梢愿纳七@些結(jié)果，并且仍然可以解決集群問題。我們還如何顯示群集在整個(gè)圖像中所占的比例?

方法四：K均值+比例顯示

我們需要做的就是修改我們的palette功能。代替使用固定步驟，我們將每個(gè)群集的寬度更改為與該群集中的像素?cái)?shù)成比例。

from collections import Counter  def palette_perc(k_cluster):     width = 300     palette = np.zeros((50, width, 3), np.uint8)      n_pixels = len(k_cluster.labels_)     counter = Counter(k_cluster.labels_) # count how many pixels per cluster     perc = {}     for i in counter:         perc[i] = np.round(counter[i]/n_pixels, 2)     perc = dict(sorted(perc.items()))      #for logging purposes     print(perc)     print(k_cluster.cluster_centers_)      step = 0      for idx, centers in enumerate(k_cluster.cluster_centers_):          palette[:, step:int(step + perc[idx]*width+1), :] = centers         step += int(perc[idx]*width+1)      return palette  clt_1 = clt.fit(img.reshape(-1, 3)) show_img_compar(img, palette_perc(clt_1))  clt_2 = clt.fit(img_2.reshape(-1, 3)) show_img_compar(img_2, palette_perc(clt_2))

它不僅為我們提供了圖像中最常見的顏色。這也給了我們每個(gè)像素出現(xiàn)的比例。

03. 結(jié)論

我們介紹了幾種使用Python以及最知名的庫來獲取圖像中最常見顏色的技術(shù)。另外，我們還看到了這些技術(shù)的優(yōu)缺點(diǎn)。到目前為止，使用k>  1的K均值找到最常見的顏色是找到圖像中最頻繁的顏色的最佳解決方案之一。

“如何基于Python查找圖像中常見的顏色”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！

文章名稱：如何基于Python查找圖像中常見的顏色
分享URL：http://muchs.cn/article44/isjphe.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供響應(yīng)式網(wǎng)站、外貿(mào)建站、手機(jī)網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)、App設(shè)計(jì)、面包屑導(dǎo)航

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)