python图像主色调（主颜色）提取，在hsv空间k均值迭代实现

完整项目代码在：https://github.com/liuhuang31/simple_mainColor

本人新手一枚，所编写的代码基本尽量没调用库类，所以感觉代码会很臃肿，连三级代码都称不上哈，这个主色调也是看了一天python后，现学现用的。可以微博关注@劉煌煌爱喝冬瓜茶一起交流学习！

python写的（python2.7 和python3.+）都可以使用，需要安装 PIL matplotlib numpy等环境。

一、识别主色调步骤

非常具有参考价值的论文《一种新的MPEG-7主颜色提取算法》，我前面做的步骤基本是参考这篇文章的。

1、获取图像RGB

2、RGB转化成HSV空间值

3、HSV空间下k均值迭代（初始点是根据图像的像素范围来random选择初始点的数值）

4、显示图片（把聚类的hsv值转化为RGB显示出来）

具体详细的步骤看下上面的论文哈

二、代码实现

1、hsvTRGB.py 参考：http://outofmemory.cn/code-snippet/1002/Python-RGB-HSV-color-together-switch

import mathdef Hsv2Rgb(H, S, V):H /= 60.0  # sector 0 to 5i = math.floor(H)f = H - i  # factorial part of hp = V * (1 - S)q = V * (1 - S * f)t = V * (1 - S * (1 - f))if i == 0:R = VG = tB = pelif i == 1:R = qG = VB = pelif i == 2:R = pG = VB = telif i == 3:R = pG = qB = Velif i == 4:R = tG = pB = Velse:R = VG = pB = qreturn R*255, G*255, B*255

2、rgb2hsv.py

def rgb2hsv(r, g, b):r, g, b = r/255.0, g/255.0, b/255.0mx = max(r, g, b)mn = min(r, g, b)df = mx-mnif mx == mn:h = 0elif mx == r and g >= b:h = 60 * ((g - b) / df) + 0elif mx == r and g < b:h = 60 * ((g-b)/df) + 360elif mx == g:h = 60 * ((b-r)/df) + 120elif mx == b:h = 60 * ((r-g)/df) + 240if mx == 0:s = 0else:s = df/mxv = mxreturn h, s, vdef rgb2hsv2(R, G, B):mx = max(R, G, B)mn = min(R, G, B)if R == mx:H = (G-B) / (mx-mn)elif G == mx:H = 2 + (B-R) / (mx-mn)elif B == mx:H = 4 + (R-G) / (mx-mn)H = H * 60if H < 0:H = H + 360V = mxS = (mx - mn) / mxreturn H, S, V

3、PrimaryColor.py

# coding=utf-8from PIL import Image
import rgb2hsv
import random as ran
import hsvTRGB
from pylab import *# 加载图片，返回数据
def loadImage(path):im = Image.open(path)  # Can be many different formats.pix = im.load()  # 获得图像的像素width = im.size[0]  # 获得图像的宽度height = im.size[1]  # 获得图像的高度data = width, height, pix, im  # 把这些width，height，pix，im这些值赋给data，后面KMeans方法里要用到这些值return data# hsv空间两点间欧氏距离，选出距离最小的类
def distEclud(hsv, centroids, k):h, s, v = hsv  # 获取当前像素的h，s，v值min = -1  # 用作判断centroids[i]是否为第一个中心点# 逐个计算当前hsv与各个类中心点的欧式距离，选出距离最小的类for i in range(k):h1, s1, v1 = centroids[i]minc = math.sqrt(math.pow(math.fabs(h - h1), 2) + math.pow(math.fabs(s - s1), 2) + math.pow(math.fabs(v - v1), 2))# minc = math.sqrt(math.pow(s*math.cos(h) - s1*math.cos(h1), 2) + math.pow(s*math.sin(h) - s1*math.sin(h1), 2) + \#     + math.pow(v - v1, 2))/math.sqrt(5)     # 欧氏距离计算公式# 用j表示当前hsv值属于第j个centroidsif (min == -1):min = mincj = 0continueif (minc < min):min = mincj = ireturn j# 随机生成初始的质心（ng的课说的初始方式是随机选K个点），选择图像中最小的值加上随机值来生成
def getCent(dataSet, k):centroids = zeros((k, 3))  # 种子，k表示生成几个初始中心点，3表示hsv三个分量width, height, n = dataSet.shape  # 获得数据的长宽# 循环获得dataSet所有数据里面最小和最大的h，s，v值for i in range(width):for j in range(height):h, s, v = dataSet[i][j]if i == 0 and j == 0:maxh, maxs, maxv = minh, mins, minv = h, s, velif h > maxh:maxh = helif s > maxs:maxs = selif v > maxv:maxv = velif h < minh:minh = helif s < mins:mins = selif v < minv:minv = vrangeh = maxh - minh  # 最大和最小h值之差ranges = maxs - minsrangev = maxv - minv# 生成k个初始点，hsv各个分量的最小值加上range的随机值for i in range(k):centroids[i] = minh + rangeh * ran.random(), mins + ranges * ran.random(), + \minv + rangev * ran.random()return centroids# 前一个centroids与当前centroids的根号平方差
def getDist(preC, centroids):k, n = preC.shape  # k表示centroids的k个中心点（类中心点），n表示例如centroid[0]当中的三个hsv分量sum = 0.0  # 总距离for i in range(k):h, s, v = preC[i]h1, s1, v1 = centroids[i]distance = math.pow(math.fabs(h - h1), 2) + math.pow(math.fabs(s - s1), 2) + math.pow(math.fabs(v - v1), 2)sum += distancereturn math.sqrt(sum)# 中心点k均值迭代
def KMeans(k, data):width, height, pix, im = data  # 获得要处理图像的各个数据dataSet = [[0 for col in range(height)] for row in range(width)]  # 图像数据转化为hsv后的数据及其数据格式for x in range(width):for y in range(height):r, g, b = pix[x, y]  # 获取图像rgb值hsv = h, s, v = rgb2hsv.rgb2hsv(r, g, b)  # 把rgb值转化为hsv值dataSet[x][y] = hsvdataSet = np.array(dataSet)  # 把dataSet数据转化为numpy的数组数据，以便待会获得初始点时，更好处理数据centroids = getCent(dataSet, k)  # 获得k个初始中心点# 循环迭代直到前一个centroids与当前centroids的根号距离满足一定条件while 1:count = [0 for i in range(k)]  # count用来统计各个中心类中的数据的个数myList = [[] for i in range(width * height)]  # mylist用来存放各个中心类中的数据preC = centroids  # preC保存前一个centroids的数据# 判断各个像素属于哪个中心类，然后把hsv值放到所属类for x in range(width):for y in range(height):r, g, b = pix[x, y]hsv = h, s, v = rgb2hsv.rgb2hsv(r, g, b)i = distEclud(hsv, centroids, k)  # 计算欧氏距离，获得该像素，也就是hsv所属中心类myList[i].append((h, s, v))  # 把hsv值加到所属中心类count[i] += 1  # 相应所属类的个数增加# 一次所有点类别划分后，重新计算中心点for i in range(k):size = len(myList[i])  # 各个类中的个数sumh = sums = sumv = 0.0if (size == 0):continueelse:for j in range(size):h, s, v = myList[i][j]sumh += hsums += ssumv += vcentroids[i] = sumh / size, sums / size, sumv / size  # 取该类hsv分量的平均值print (centroids[0:k])norm = getDist(preC, centroids)  # 获得前一个centroids与当前centroids的根号距离if norm < 0.1:  # 距离小于0.1，则跳出循环breakreturn count, centroids  # 返回count：各个中心点数据的个数；centroids：最终迭代后的中心点def show(im, count, centroids, k, imgpath):# 显示第一个子图：各个中心类的个数mpl.rcParams['font.family'] = "SimHei"  # 指定默认字体，才能显示中文字体ax1 = plt.subplot(221)  # 把figure分成2X2的4个子图，ax1为第一个子图index = np.arange(k)bar_width = 0.35opacity = 0.4plt.bar(index + bar_width / 2, count, bar_width, alpha=opacity, color='g', label='Num')plt.xlabel('Centroids')  # 设置横坐标plt.ylabel('Sum_Number')  # 设置纵坐标plt.title(u'points num of centroids')  # 设置标题plt.xticks(index + bar_width, ('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I'))  # 设置横坐标各个类plt.legend()  # 设置plt.tight_layout()ax2 = plt.subplot(222)img = Image.open(imgpath)x = k  # x坐标  通过对txt里的行数进行整数分解# 冒泡算法从大到小排序for i in range(k):max = count[i]m = ifor j in range(i, k):if count[j] > max:max = count[j]m = jif i != m:midcount = count[i]count[i] = count[m]count[m] = midcountmid = centroids[i]centroids[i] = centroids[m]centroids[m] = midimg = Image.new('RGBA', img.size, (255, 255, 255))print("\n============ the image size ===============")print (img.size)if x > 8:  # 取前8个中心类个数最大的颜色x = 8count_remove = 0  # 用语统计，剔除中心类中，类聚集的数据数小于5%的sum_count = float(sum(count))  # sum_count为总的数据数个数，也就是各个类聚集的总个数# 剔除中心类中，类聚集的数据数小于5%的for i in range(x):if count[x - i - 1] / sum_count < 0.05:count_remove += 1x = x - count_removeif x == 0:x = 1  # 确保有一个主颜色print("\n============ the points number of centroids ===============")print (count)# 图片显示的x y轴y = img.size[1]  # y坐标  x*y = 行数w = int(img.size[0] / x)# 显示前8个中心类个数最大的颜色for i in range(0, x):for j in range(i * w, (i + 1) * w):for k in range(0, y):rgb = centroids[i]img.putpixel((j, k), (int(rgb[0]), int(rgb[1]), int(rgb[2])))  # rgb转化为像素plt.xlabel(u'color')plt.title(u'main color sort')plt.yticks()plt.imshow(img)plt.tight_layout()# 显示原图，也就是要处理的图像plt.subplot(212)plt.title(u'origin image')plt.imshow(im)# 显示整个figureplt.show()def main():imgpath = '/Users/liuhuang31/Desktop/test2.jpg'data = loadImage(imgpath)  # Can be many different formats.选择这种方式导入图片k = 20  # 设置k均值初始点个数# 通过KMeans方法后返回的centroids，是k均值迭代后最终的中心点, count是这k个中心（类）的所包含的个数count, centroids = KMeans(k, data)print("\n================== the centroids RGB =================")for i in range(k):  # 因为有k个中心点h, s, v = centroids[i]r, g, b = hsvTRGB.Hsv2Rgb(h, s, v)centroids[i] = r, g, bprint (i, r, g, b)im = data[3]  # im = Image.open(path)，就是得到图像对象show(im, count, centroids, k, imgpath)  # 显示图像if __name__ == '__main__':main()

三、前方高能，我要放图了！！也就是实验结果

由于k个初始中心点是根据图像的像素范围来random选择初始点的数值，所以每次运行的结果会有小差异！

1、对于传说中的粉红色（由于其特殊性，有些识别方法识别不出，可能原因是没根据图像的RGB来生成初始聚类中心，或者自己设定初始点）

2、

（1）初始点k=10

(2)初始点k=20 (可以看到和选择k=10还是有区别的哈)

3、这张图识别的稍微不准，白色RGB(255,255,255)识别出来为RGB（239,226,225），蓝色和黄色倒是识别得准确

四、再次强调哈，由于我python是现学现做，对于数据结构很多都不熟悉，所以转换来转换的，不过能自己写的，我都没调用库类，对自己更有锻炼，也挺适合我这样的新手，还有对一些图片识别稍微有误差，现在还在调试中ＱＡＱ。还有图像显示的第二个主颜色排序子图像代码不是很好。。

五、参考资料列表（良好的习惯^-^）
1、Python中的Numpy入门教程：http://www.jb51.net/article/49397.htm

2、颜色空间RGB与HSV(HSL)的转换：http://blog.csdn.net/jiangxinyu/article/details/8000999

3、python使用matplotlib绘解详解：http://www.pythontab.com/html/2013/pythonhexinbiancheng_0123/161.html

4、Matplotlib 画柱状图（使用里面的方法来画图）： http://blog.csdn.net/wishchin/article/details/24906175

5、RGB值转化图片（python PIL）（使用里面的方法来画图） http://www.tuicool.com/articles/mYBN7ju

python图像主色调（主颜色）提取，在hsv空间k均值迭代实现相关推荐

python种颜色循环_python图像主色调（主颜色）提取，在hsv空间k均值迭代实现
#!coding=utf-8fromPIL importImage importrgb2hsv importrandom asran importhsvTRGB frompylab import* # ...
基于K-Means聚类算法的主颜色提取
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 01.简介本期我们将一起实现基于K-Means聚类算法的主色提取 ...
【主色提取】HSV 颜色空间与 RGB 颜色空间互相转化的公式和代码
系列文章目录第二章主色提取之颜色空间转化目录系列文章目录文章目录前言一.HSV 和 RGB 颜色空间二.颜色转化 1. RGB to HSV 2. HSV to RGB 三. 完整代码 ...
基于图像的主颜色分析
一般来说,直接分析RGB色彩域的颜色分布不是一个好的思路,我们一般转换到HSV域来分析.但是本文只要是应网友提问,实现最基本的RGB 色彩域的主颜色分析. 代码分为以下部分: 1.生成测试图片.为了测 ...
使用MFC实现将图像的RGB值转换到HSV空间，同时进行调节HSV，再将调节后的HSV值传进去转换到RGB空间实现图像在HSV空间中的色度、饱和度、亮度的调节
工程上传到了github ,之前有一版忘记推送了,现在这个链接应该是没问题的了工程的github链接希望能帮到你. 文章内容: 1.回顾上文 2.实验步骤&要点提示&代码分析 3. ...
python :图像细化、骨架提取
(附上详细的解释及稍微修改的代码) 参考链接:http://www.cnblogs.com/xianglan/archive/2011/01/01/1923779.html 原博主的链接. 图像细化: ...
python图像resize_Python图像resize前后颜色不一致问题
今天帮师姐解决一个bug,测试了Python图像resize前后颜色不一致问题. 代码片段执行的功能:图像指定倍数超分辨率,输入为[0-1] float型数据,输出为格式不限的图像 bug:输入图像与 ...
K均值 - 案例实现（python）
K均值 K均值案例(python) 背景介绍算法定义 K值的选取案例实现(python) 数据集代码实现运行结果总结参考文献 K均值案例(python) k均值聚类算法(k-means c ...
OpenCV打开摄像头，RGB转HSV空间
文章目录前言一.使用OpenCV打开摄像头二.使用OpenCV进行图像预处理前言有段时间没有更新了,最近主要在忙一个项目,用到了OpenCV,故想把一些常用代码在这里备份一下,一起学习. 环 ...

python图像主色调（主颜色）提取，在hsv空间k均值迭代实现

python图像主色调（主颜色）提取，在hsv空间k均值迭代实现相关推荐

最新文章

热门文章