基于Python查找图像中最常见的颜色

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

如果我们能够得知道一幅图像中最多的颜色是什么的话，可以帮助我们解决很多实际问题。例如在农业领域中想确定水果的成熟度，我们可以通过检查水果的颜色是否落在特定范围内，来判断它们是否已经成熟。

接下来我们将使用Python和一些常用库（例如Numpy，Matplotlib和OpenCV）来解决这个问题。

01. 准备工作

第一步：添加程序包

我们将在此处加载基本软件包。另外，由于我们要使用Jupyter进行编程，因此小伙伴们不要忘记添加%matplotlib inline命令。

第二步：加载并显示示例图像

我们将并排显示两个图像，因此我们需要做一个辅助函数。接下来我们将加载一些在本教程中将要使用的示例图像，并使用上述功能对其进行显示。

02. 常用方法

方法一：平均值

第一种方法是最简单（但无效）的方法-只需找到平均像素值即可。使用numpy的average功能，我们可以轻松获得行和宽度上的平均像素值-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)

从上面图像中可以看出，平均方法可能会产生错误结果，它给出的最常见的颜色可能并不是我们想要的颜色，这是因为平均值考虑了所有像素值。当我们具有高对比度的图像（一张图像中同时包含“浅色”和“深色”）时这个问题会很严重。在第二张图片中，这一点更加清晰。它为我们提供了一种新的颜色，该颜色在图像中根本看不到。

方法二：最高像素频率

第二种方法将比第一种更加准确。我们的工作就是计算每个像素值出现的次数。numpy给我们提供了一个函数可以完成这个任务。但是首先，我们必须调整图像数据结构的形状，以仅提供3个值的列表（每个R，G和B通道强度一个）。

我们可以使用numpy的reshape函数来获取像素值列表。

现在我们已经有了正确结构的数据，可以开始计算像素值的频率了，使用numpy中的unique函数即可。

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)

比第一个更有意义吗？最常见的颜色是黑色区域。但是如果我们不仅采用一种最常见的颜色，还要采用更多的颜色怎么办？使用相同的概念，我们可以采用N种最常见的颜色。换句话说，我们要采用最常见的不同颜色群集该怎么办。

方法三：使用K均值聚类

我们可以使用著名的K均值聚类将颜色组聚类在一起。

def palette(clusters):width=300palette = 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)), :] = centersreturn paletteclt_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！现在，我们需要的是一个显示上面的颜色簇并立即显示的功能。我们只需要创建一个高度为50，宽度为300像素的图像来显示颜色组/调色板。对于每个颜色簇，我们将其分配给我们的调色板。

是不是很漂亮？就图像中最常见的颜色而言，K均值聚类给出了出色的结果。在第二张图像中，我们可以看到调色板中有太多的棕色阴影。这很可能是因为我们选择了太多的群集。让我们看看是否可以通过选择较小的k值来对其进行修复。

def palette(clusters):width=300palette = 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)), :] = centersreturn paletteclt_3 = KMeans(n_clusters=3)
clt_3.fit(img_2.reshape(-1, 3))
show_img_compar(img_2, palette(clt_3))

由于我们使用K均值聚类，因此我们仍然必须自己确定适当数量的聚类。三个集群似乎是一个不错的选择。但是我们仍然可以改善这些结果，并且仍然可以解决集群问题。我们还如何显示群集在整个图像中所占的比例？

方法四：K均值+比例显示

我们需要做的就是修改我们的palette功能。代替使用固定步骤，我们将每个群集的宽度更改为与该群集中的像素数成比例。

from collections import Counterdef palette_perc(k_cluster):width = 300palette = np.zeros((50, width, 3), np.uint8)n_pixels = len(k_cluster.labels_)counter = Counter(k_cluster.labels_) # count how many pixels per clusterperc = {}for i in counter:perc[i] = np.round(counter[i]/n_pixels, 2)perc = dict(sorted(perc.items()))#for logging purposesprint(perc)print(k_cluster.cluster_centers_)step = 0for idx, centers in enumerate(k_cluster.cluster_centers_): palette[:, step:int(step + perc[idx]*width+1), :] = centersstep += int(perc[idx]*width+1)return paletteclt_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))