使用Python，OpenCV，K-Means聚类查找图像中最主要的颜色

Python，OpenCV，K-Means聚类查找图像中最主要的颜色

1. K-Means是什么？
2. 步骤
3. 效果图
4. 源代码
参考

对于肉眼来说，从一幅图中识别出主要颜色很容易。那怎么用算法提取出一幅图像中最主要的颜色呢？

在这篇博客文章中，我将向您展示如何使用OpenCV，Python和K-means对RGB像素强度进行聚类以找到图像中最主要的颜色。

1. K-Means是什么？

K均值是一种聚类算法，可基于n个数据点生成k个聚类；
聚簇数 k 必须提前指定；
每个簇的平均值称为其“质心”或“中心”；
通常，聚簇数量较少（k <= 5）可获得最佳效果；
K-Means返回

总体而言，应用k均值会产生原始n个数据点的k个单独的簇。与属于其他群集的数据点相比，特定群集内的数据点被认为彼此“更相似”。

在我们的案例中，我们将对RGB图像的像素强度进行聚类。给定一个MxN大小的图像，因此我们有MxN个像素，每个像素都由三个分量组成：红色，绿色和蓝色。

我们将这些MxN像素视为我们的数据点，并使用k均值对其进行聚类。属于给定群集的像素的颜色将比属于单独群集的像素的颜色更相似。

k均值的一个缺点是，我们需要提前指定要生成的簇数。有一些算法可以自动选择k的最佳值。

2. 步骤

（1）加载图像，BGR转RGB；
（2）K-Means均值对RGB像素进行聚类查找图像中最主要的颜色；
（3）根据K-Means结果归一化计算百分比，按百分比绘制占比及颜色；

3. 效果图

分3个聚簇效果图：

分5个聚簇效果图：

通常，聚簇数量较少（k <= 5）可获得最佳效果；

4. 源代码

# python color_kmeans.py --image images/cactus.jpg --clusters 3
# 导入必要的包
import argparseimport cv2
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeansdef centroid_histogram(clt):# 获取不同聚簇的个数，根据每个聚簇的像素数生成直方图# k均值算法将图像中的每个像素分配给最近的聚类。numLabels = np.arange(0, len(np.unique(clt.labels_)) + 1)(hist, _) = np.histogram(clt.labels_, bins=numLabels)# 对直方图进行归一化，使得总和为1hist = hist.astype("float")hist /= hist.sum()# 返回直方图return hist# plot_colors函数需要两个参数：
# hist，它是从centroid_histogram函数生成的直方图；
# centroids，是由k-means算法生成的质心（集群中心）的列表。
def plot_colors(hist, centroids):# 初始化代表相对频率的每种颜色的条形图# 定义了一个300×50像素的矩形，以容纳图像中最主要的颜色bar = np.zeros((50, 300, 3), dtype="uint8")startX = 0# 遍历每一个聚簇的百分比及颜色for (percent, color) in zip(hist, centroids):# 绘制每一聚簇的相对百分比endX = startX + (percent * 300)cv2.rectangle(bar, (int(startX), 0), (int(endX), 50),color.astype("uint8").tolist(), -1)startX = endX# 返回条形图return bar# 构建命令行参数和解析
# --image 原始图像路径
# --clusters 期望生成的簇数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="Path to the image")
ap.add_argument("-c", "--clusters", required=True, type=int,help="# of clusters")
args = vars(ap.parse_args())# 加载图像，转换BGR-->RGB 以在matplotlib展示
image = cv2.imread(args["image"])
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 展示图像
plt.figure()
plt.axis("off")
plt.imshow(image)# 将NumPy数组重塑为RGB像素列表
image = image.reshape((image.shape[0] * image.shape[1], 3))# 使用scikit-learn中的K-means实现来避免重新实现该算法
# 使用K-means查找图像中最主要的颜色
# 使用期望获取的聚簇数，初始化局KMeans类，调用fit()方法将像素列表聚集在一起
clt = KMeans(n_clusters=args["clusters"])
clt.fit(image)# 构建聚簇直方图
# 建立图表以代表每一种颜色所对应的像素数
hist = centroid_histogram(clt)
bar = plot_colors(hist, clt.cluster_centers_)# 展示颜色条形图
plt.figure()
plt.axis("off")
plt.imshow(bar)
plt.show()

参考

https://www.pyimagesearch.com/2014/05/26/opencv-python-k-means-color-clustering/