image-processing - 如何将 RGB 或 HEX 颜色代码分组为更大的颜色组？

Question

我正在分析大量图像并提取主要颜色代码。

我想将它们分组为通用颜色名称的范围，例如绿色、深绿色、浅绿色、蓝色、深蓝色、浅蓝色等。

我正在寻找一种与语言无关的方式来自己实现一些东西，如果有我可以研究的例子来实现这一点，我将不胜感激。

Answer 1

在机器学习领域，你想做的事情叫做classification ，其中的目标是将其中一个类别(颜色)的标签分配给每个观察结果(图像)。为此，必须预先定义类。假设这些是我们要分配给图像的颜色:

要确定图像的主色，必须计算每个像素与表格中所有颜色之间的距离。请注意，此距离是在 RGB 颜色空间中计算的。要计算图像的第 ij 个像素与表格的第 k 个颜色之间的距离，可以使用以下等式:

d_ijk = sqrt((r_ij-r_k)^2+(g_ij-g_k)^2+(b_ij-b_k)^2)

在下一步中，对于每个像素，选择表中最接近的颜色。这是用于使用 indexed colors 压缩图像的概念。 (除了这里的调色板对于所有图像都是相同的，并且不会为每个图像计算以最小化原始图像和索引图像之间的差异)。现在，正如@jairoar 指出的那样，我们可以获得图像的直方图(不要与 RGB 直方图或强度直方图混淆)，并确定重复次数最多的颜色。
为了展示这些步骤的结果，我使用了这件艺术品的随机裁剪!我的:

这是图像在索引之前和之后的样子(左:原始，右:索引): 这些是最重复的颜色(左:索引，右:主色):

但是既然你说图片数量多，你应该知道这些计算是比较耗时的。但好消息是，有一些方法可以提高性能。例如，而不是使用 Euclidean distance (上面的公式)，您可以使用 City Block或 Chebyshev距离。您还可以只计算一小部分像素的距离，而不是计算图像中所有像素的距离。为此，您可以先将图像缩放到更小的尺寸(例如，32 x 32)，然后对缩小后的图像的像素进行计算。如果您决定调整图像大小，请不要费心使用双线性或双三次插值，它不值得进行额外的计算。相反，去寻找 nearest neighbor ，它实际上执行了一个 rectangular lattice在原始图像上采样。

虽然上述更改会大大提高计算速度，但没有免费的东西。这是性能与准确性的权衡。例如，在前面两张图片中，我们看到最初识别为橙色(代码 20)的图像在调整大小后已被识别为粉红色(代码 26)。
要确定算法的参数(距离测量、缩小图像尺寸和缩放算法)，您必须首先以尽可能高的精度对大量图像进行分类操作，并将结果作为 ground truth。然后，通过多次实验，得到不使分类误差超过最大可容忍值的参数组合。