Python学习—利用Kmeans聚类算法进行主颜色提取

Python学习—利用Kmeans聚类算法进行主颜色提取

目录

Python学习—利用Kmeans聚类算法进行主颜色提取

1、导入pyrhon需要的相关库

2、原图像

3、读取图像并进行数据类型转换

4、构造Kmeans聚类器

5、获取聚类中心

6、主颜色数据可视化

代码展示：

---

颜色是一张图像最具代表性的特征，那么如何去对一张图像进行主颜色提取呢？这是今天所要解决的问题。

通过查阅相关资料发现，最常使用的主颜色提取方法是利用Kmeans聚类的方法进行颜色提取。

思路：使用k-means算法对图像像素点进行聚类，中心点即为图片主体色彩。

颜色提取方法流程：

1、导入pyrhon需要的相关库

from skimage import io
from sklearn.cluster import KMeans
import numpy as np
import cv2

2、原图像

3、读取图像并进行数据类型转换

img=cv2.imread("E:\\car\\2.jpg")
# 转换数据维度
img_ori_shape = img.shape
img1 = img.reshape((img_ori_shape[0] * img_ori_shape[1], img_ori_shape[2]))
img_shape = img1.shape
# 获取图片色彩层数
n_channels = img_shape[1]
print(img_ori_shape)
print(img_shape)

数据转换结果：

(754, 500, 3)
(377000, 3)

4、构造Kmeans聚类器

k=10
estimator = KMeans(n_clusters=k, max_iter=4000, init='k-means++', n_init=50)  # 构造聚类器
estimator.fit(img1)  # 聚类

 k-means算法

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
k-means算法特点在于：同一聚类的簇内的对象相似度较高；而不同聚类的簇内的对象相似度较小。

参数：

n_clusters：整形，缺省值=8 【生成的聚类数，即产生的质心（centroids）数。】
max_iter：整形，缺省值=300
执行一次k-means算法所进行的最大迭代数。
用不同的质心初始化值运行算法的次数，最终解是在inertia意义下选出的最优结果。
init：有三个可选值：’k-means++’， ‘random’，或者传递一个ndarray向量。
此参数指定初始化方法，默认值为 ‘k-means++’。
（１）‘k-means++’ 用一种特殊的方法选定初始质心从而能加速迭代过程的收敛
（２）‘random’ 随机从训练数据中选取初始质心。
（３）如果传递的是一个ndarray，则应该形如 (n_clusters, n_features) 并给出初始质心。

n_init：整形，缺省值=10

5、获取聚类中心

centroids = estimator.cluster_centers_  # 获取聚类中心

6、主颜色数据可视化

result = []
result_width = 200
result_height_per_center = 80
for center_index in range(k):
    result.append(np.full((result_width * result_height_per_center, n_channels), centroids[center_index], dtype=int))
result = np.array(result)
result = result.reshape((result_height_per_center * k, result_width, n_channels))

 主颜色RGB值

[[ 19.82205991 149.7690272  211.49931195]
 [214.7921876  225.59464734 232.63928502]
 [ 27.94646364  30.19337169  38.60147449]
 [137.8024557  143.75987211 169.59865311]
 [247.01430781 248.36793259 247.67733138]
 [ 59.12095428  80.34021664 151.25188991]
 [177.2187077  187.48049797 209.521568  ]
 [ 76.69247648  76.76323896  74.26908308]
 [ 80.64346774 228.37937817 241.31598457]
 [222.01081434 198.77818711 189.82191984]]

主颜色：

 

代码展示：

from skimage import io
from sklearn.cluster import KMeans
import numpy as np
import warnings
import cv2
#聚类个数
k = 10
img=cv2.imread("E:\\car\\2.jpg")
# 转换数据维度
img_ori_shape = img.shape
img1 = img.reshape((img_ori_shape[0] * img_ori_shape[1], img_ori_shape[2]))
img_shape = img1.shape
# 获取图片色彩层数
n_channels = img_shape[1]
estimator = KMeans(n_clusters=k, max_iter=4000, init='k-means++', n_init=50)  # 构造聚类器
estimator.fit(img1)  # 聚类
centroids = estimator.cluster_centers_  # 获取聚类中心
# 使用算法跑出的中心点，生成一个矩阵，为数据可视化做准备
result = []
result_width = 200
result_height_per_center = 80
for center_index in range(k):
    result.append(np.full((result_width * result_height_per_center, n_channels), centroids[center_index], dtype=int))
result = np.array(result)
result = result.reshape((result_height_per_center * k, result_width, n_channels))
# 保存图片
io.imsave('E:\\car\\' + 'result.bmp', result)
print(centroids)

 

原图

主色RGB值

[[209.48521825 195.61594055  71.92092171]
 [ 52.48426043  96.02463706  20.59607313]
 [  8.99264171  74.41625716 200.81015865]
 [189.51310268   7.27714641   6.92790465]
 [ 22.64248968 211.86446047 198.96500448]]

主色结果

鸣谢：

https://blog.csdn.net/github_39261590/article/details/76910689

使用Python提取图片中的主体颜色

主颜色提取代码