【Python】圖像主色的 K-Means 分析

www345 9年前發布 | 30K 次閱讀 Python Python開發

原文 http://datartisan.com/article/detail/59.html

在我先前的博文中，我介紹了如何從網站上抓取圖片信息。如果說從網上抓取圖片非常容易實現，那么如何對這些圖像進行排序分類則稍微復雜一點。這個問題的關鍵在于，我們沒有一套尋找圖像主色的標準方法，不同的方法會產生不同的結果。

顏色理論

比方說我們已經下載好圖像信息，現在我們想要找出它的主色。如果你熟悉 Photoshop 的話，那么你一定認識代表主色分布的顏色直方圖。Corad Chavez 寫過一篇詳細介紹顏色直方圖的博文。我們可以直接從顏色直方圖中看出下圖的圖像主色是藍色和綠色。

【Python】圖像主色的 K-Means 分析

我所使用的方法基于以下兩個假設條件：

圖像主色是由擁有多少該顏色的像素所決定的。
如果兩個顏色的RGB成分之間的歐式距離比較大，我們則認為這兩種顏色不同。

第一個假設聽起來非常有道理，但問題是：在真實的圖像中很難找到兩個顏色相同的像素。如果一個圖像是藍色的，那么它將擁有數以千計的深淺不同的藍色像素。第二個假設條件需要決定哪個顏色和藍色比較相近。最常用的方法是觀測該顏色的 RGB 三維空間坐標，即兩個顏色之間的距離可以看成它們在三維空間中的直線距離。

讓我們從加載圖像開始吧：

【Python】圖像主色的 K-Means 分析

值得一提的是，改變圖像的尺寸大小并不會改變其顏色的比例和分布，而且計算機處理小圖像時效率比較高。第 5-10 行的代碼目的是：在保持圖像比例不變的前提下，改變圖像的尺寸。

步驟一：利用 K-Means 對顏色聚類分析

給定之前的兩個假設條件，我們打算利用聚類來解決問題。我們擁有一大堆點的數據，我們需要根據它們的相似性對它們進行分組，同時我們還想找出每個組的中心點。 K-Means 算法是一種既簡單又高效的聚類算法。我們可以利用 Scikit 庫來實現它。

【Python】圖像主色的 K-Means 分析

第 4 行代碼主要是將圖像轉換成包含像素的單列表文件，第 8 行代碼才是真正的聚類分析過程。OpenCV 中的圖像由 NumPy 的矩陣格式展現出來，比如一張包含 800*600 像素的圖像，它由一個 800*600*3 的數組所構成，每個像素分別由 R, G, B 三個成分表示。K-Means 所做的事情就是對這些三維空間的 RGB 數據進行聚類分析。

步驟二：根據像素點個數對聚類結果排序

接下來我們要做的事情是計算每個類群中包含多少像素點。我將利用 Adrian Rosebrock 的方法來處理這個問題。

【Python】圖像主色的 K-Means 分析

第 2 行代碼用來尋找每個類群中所包含的像素點個數，而第 5-7 行代碼用來對它們進行排序處理，其中第一類群中擁有最多的像素點。

步驟三：聚類結果評估

本文的基礎性教程到這里就結束了，不過只要你接觸過 K-Means 算法，那么你肯定發現我跳過一個重要的步驟：如何選擇類群個數。類群個數是 K-Means 算法中很重要的一個參數，本文中選擇 k=3 。但是如果圖像的聚類群數小于 2 時，結果將會是啥樣的呢？此時要么是圖像中只有兩種主色，或者是在 RGB 空間中該算法無法較好地將顏色區分開來。如果你要探索 K-Means 算法的擬合情況，你可以利用 Silhouette 系數。該系數反映了聚類結果的得分情況，同時它還評估了兩個東西：每個類群中像素點的緊密程度和類群的聚類效果。強大的 Scikit 同樣可以算出 Silhouette 系數。