python - RGB 图像中最主要的颜色 - OpenCV/NumPy/Python

Question

我有一个 python 图像处理函数，它使用尝试获取图像的主色。我使用了在这里找到的一个函数 https://github.com/tarikd/python-kmeans-dominant-colors/blob/master/utils.py

它有效，但不幸的是我不太明白它的作用，我了解到 np.histogram 相当慢，我应该使用 cv2.calcHist 因为它是根据这个快 40 倍:https://docs.opencv.org/trunk/d1/db7/tutorial_py_histogram_begins.html

我想了解我必须如何更新代码才能使用 cv2.calcHist，或者更好的是，我必须输入哪些值。

我的函数

def centroid_histogram(clt):
    # grab the number of different clusters and create a histogram
    # based on the number of pixels assigned to each cluster
    num_labels = np.arange(0, len(np.unique(clt.labels_)) + 1)
    (hist, _) = np.histogram(clt.labels_, bins=num_labels)

    # normalize the histogram, such that it sums to one
    hist = hist.astype("float")
    hist /= hist.sum()

    # return the histogram
    return hist

clt的pprint是这样的，不知道有没有帮助

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
    n_clusters=1, n_init=10, n_jobs=1, precompute_distances='auto',
    random_state=None, tol=0.0001, verbose=0)

我的代码可以在这里找到:https://github.com/primus852/python-movie-barcode

我是一个初学者，非常感谢任何帮助。

根据要求:

示例图片

最主要的颜色:

rgb(22,28,37)

直方图的计算时间:

0.021515369415283203s

Answer 1

可以建议使用 np.unique 和 np.bincount 获得最主要颜色的两种方法。此外，在链接页面中，它谈到了 bincount 作为更快的替代方案，因此这可能是可行的方法。

方法 #1

def unique_count_app(a):
    colors, count = np.unique(a.reshape(-1,a.shape[-1]), axis=0, return_counts=True)
    return colors[count.argmax()]

方法 #2

def bincount_app(a):
    a2D = a.reshape(-1,a.shape[-1])
    col_range = (256, 256, 256) # generically : a2D.max(0)+1
    a1D = np.ravel_multi_index(a2D.T, col_range)
    return np.unravel_index(np.bincount(a1D).argmax(), col_range)

1000 x 1000 彩色图像在密集范围 [0,9) 上的验证和计时以获得可重现的结果 -

In [28]: np.random.seed(0)
    ...: a = np.random.randint(0,9,(1000,1000,3))
    ...: 
    ...: print unique_count_app(a)
    ...: print bincount_app(a)
[4 7 2]
(4, 7, 2)

In [29]: %timeit unique_count_app(a)
1 loop, best of 3: 820 ms per loop

In [30]: %timeit bincount_app(a)
100 loops, best of 3: 11.7 ms per loop

进一步提升

利用杠杆进一步提升 multi-core with numexpr module对于大数据 -

import numexpr as ne

def bincount_numexpr_app(a):
    a2D = a.reshape(-1,a.shape[-1])
    col_range = (256, 256, 256) # generically : a2D.max(0)+1
    eval_params = {'a0':a2D[:,0],'a1':a2D[:,1],'a2':a2D[:,2],
                   's0':col_range[0],'s1':col_range[1]}
    a1D = ne.evaluate('a0*s0*s1+a1*s0+a2',eval_params)
    return np.unravel_index(np.bincount(a1D).argmax(), col_range)

时间 -

In [90]: np.random.seed(0)
    ...: a = np.random.randint(0,9,(1000,1000,3))

In [91]: %timeit unique_count_app(a)
    ...: %timeit bincount_app(a)
    ...: %timeit bincount_numexpr_app(a)
1 loop, best of 3: 843 ms per loop
100 loops, best of 3: 12 ms per loop
100 loops, best of 3: 8.94 ms per loop