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。我利用我在这里找到的一个函数https://github.com/tarikd/python-kmeans-dominant-colors/blob/master/utils.py

它可以工作，但不幸的是我不太明白它的作用，我了解到它np.histogram相当慢，我应该使用cv2.calcHist它，因为它的速度要快 40 倍，据此：https ://docs.opencv.org/trunk/d1/db7/tutorial_py_histogram_begins .html

我想了解我必须如何更新要使用的代码cv2.calcHist，或者更好的是，我必须输入哪些值。

我的功能

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

pprint是这个clt，不确定这是否有帮助

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

我是一个非常初学者，所以任何帮助都非常感谢。

按要求：

示例图像

最主要的颜色：

rgb(22,28,37)

直方图的计算时间：

0.021515369415283203s

标签： pythonpython-3.xnumpyopencv

Answer 1

可以提出两种使用np.unique和np.bincount来获得最主要颜色的方法。此外，在链接页面中，它bincount作为一种更快的替代方案进行了讨论，因此这可能是要走的路。

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在密集范围内对彩色图像进行验证和计时，以[0,9)获得可重复的结果 -

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multi-core大numexpr数据模块进一步提升 -

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)

计时 -

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