快捷導(dǎo)航

Python+OpenCV實(shí)戰(zhàn)之利用?K-Means?聚類進(jìn)行色彩量化

更新時間：2021年12月03日 11:58:07 作者：盼小輝丶

這篇文章主要介紹了如何利用?K-Means?聚類進(jìn)行色彩量化，以減少圖像中顏色數(shù)量。文中的代碼具有一定的學(xué)習(xí)價值，感興趣的小伙伴可以關(guān)注一下

前言

K-Means 聚類算法的目標(biāo)是將 n 個樣本劃分(聚類)為 K 個簇，在博文《OpenCV與機(jī)器學(xué)習(xí)的碰撞》中，我們已經(jīng)學(xué)習(xí)利用 OpenCV 提供了 cv2.kmeans() 函數(shù)實(shí)現(xiàn) K-Means 聚類算法，該算法通過找到簇的中心并將輸入樣本分組到簇周圍，同時通過簡單的示例了解了 K-Means 算法的用法。在本文中，我們將學(xué)習(xí)如何利用 K-Means 聚類進(jìn)行色彩量化，以減少圖像中顏色數(shù)量。

利用 K-Means 聚類進(jìn)行色彩量化

色彩量化問題可以定義為減少圖像中顏色數(shù)量的過程。色彩量化對于某些設(shè)備顯示圖像非常關(guān)鍵，這些設(shè)備可能由于內(nèi)存限制等原因只能顯示有限顏色，因此，在這些設(shè)備上顯示色彩通常需要在準(zhǔn)確性和減少顏色數(shù)量之間進(jìn)行權(quán)衡，在利用 K-Means 聚類進(jìn)行色彩量化時，權(quán)衡兩者是通過正確設(shè)置 K 參數(shù)來進(jìn)行的。

利用 K-Means 聚類算法來執(zhí)行色彩量化，簇中心數(shù)據(jù)由 3 個特征組成，它們對應(yīng)于圖像每個像素的 B、G 和 R 值。因此，關(guān)鍵是將圖像轉(zhuǎn)換為數(shù)據(jù)：

data = np.float32(image).reshape((-1, 3))

為了觀察如何權(quán)衡準(zhǔn)確性和顏色數(shù)，我們使用不同 K 值 (3 、 5 、 10 、 20 和 40) 執(zhí)行聚類過程，以查看生成的圖像如何變化，如果我們想要只有 3 種顏色 (K = 3) 的結(jié)果圖像，需要執(zhí)行以下操作：

加載 BGR 圖像：

img = cv2.imread('example.jpg')

使用 color_quantization() 函數(shù)執(zhí)行色彩量化：

def color_quantization(image, k):
    # 將圖像轉(zhuǎn)換為數(shù)據(jù)
    data = np.float32(image).reshape((-1, 3))
    # 算法終止條件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚類
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 將具有 k 顏色中心的圖像轉(zhuǎn)換為 uint8
    result = center[label.flatten()]
    result = result.reshape(img.shape)
    return result
color_3 = color_quantization(img, 3)

color_quantization() 函數(shù)中，關(guān)鍵點(diǎn)是利用 cv2.kmeans() 方法。最后，可以用 k 種顏色來構(gòu)建圖像，用它們對應(yīng)的中心值替換每個像素值，程序的運(yùn)行結(jié)果如下所示：

完整代碼

利用 K-Means 聚類進(jìn)行色彩量化的完整代碼如下所示：

import numpy as np
import cv2
from matplotlib import pyplot as plt


def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]

    ax = plt.subplot(2, 4, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')

def color_quantization(image, k):
    # 將圖像轉(zhuǎn)換為數(shù)據(jù)
    data = np.float32(image).reshape((-1, 3))
    # 算法終止條件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚類
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 將具有 k 顏色中心的圖像轉(zhuǎn)換為 uint8
    result = center[label.flatten()]
    result = result.reshape(img.shape)
    return result

fig = plt.figure(figsize=(16, 8))
plt.suptitle("Color quantization using K-means clustering algorithm", fontsize=14, fontweight='bold')
# 圖片加載
img = cv2.imread('example.png')
show_img_with_matplotlib(img, "original image", 1)
# 使用不同 K 值進(jìn)行色彩量化
for i in range(7):
    color = color_quantization(img, (i+1) * 10)
    show_img_with_matplotlib(color, "color quantization (k = {})".format((i+1) * 10), i+2)

plt.show()

顯示色彩量化后的色彩分布

可以擴(kuò)展以上程序使其顯示色彩量化后的色彩分布，該色彩分布顯示了分配給每個聚類中心的像素數(shù)。只需擴(kuò)展 color_quantization() 函數(shù)已被修改為包含所需功能：

import collections
def color_quantization(image, k):
    # 將圖像轉(zhuǎn)換為數(shù)據(jù)
    data = np.float32(image).reshape((-1, 3))
    # 算法終止條件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚類
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 將具有 k 顏色中心的圖像轉(zhuǎn)換為 uint8
    result = center[label.flatten()]
    result = result.reshape(img.shape)
    # 統(tǒng)計分配給每個聚類中心的像素數(shù)
    counter = collections.Counter(label.flatten())
    print(counter)
    # 計算輸入圖像的總像素數(shù)
    total = img.shape[0] * img.shape[1]
    # 為色彩分布圖像指定寬度和高度：
    desired_width = img.shape[1]
    
    desired_height = 70
    desired_height_colors = 50
    # 初始化色彩分布圖像
    color_distribution = np.ones((desired_height, desired_width, 3), dtype='uint8') * 255
    start = 0

    for key, value in counter.items():
        # 歸一化
        value_normalized = value / total * desired_width
        end = start + value_normalized
        # 繪制與當(dāng)前顏色對應(yīng)的矩形
        cv2.rectangle(color_distribution, (int(start), 0), (int(end), desired_height_colors), center[key].tolist(), -1)
        start = end

    return np.vstack((color_distribution, result))

上述代碼中，使用 collections.Counter() 來統(tǒng)計分配給每個聚類中心的像素數(shù)：

counter = collections.Counter(label.flatten())

例如，如果 K = 10，則可以得到如下結(jié)果：

Counter({7: 37199, 3: 36302, 0: 29299, 5: 23987, 6: 23895, 1: 20077, 9: 19814, 8: 18427, 4: 16221, 2: 14779})

構(gòu)建色彩分布圖像后，將其與色彩量化后的圖像連接在一起：

np.vstack((color_distribution, result))

程序的輸出如下所示：

從上圖可以看出，使用 K-Means 聚類算法應(yīng)用色彩量化后改變參數(shù) k (10、20、30、40、50、60 和 70) 的結(jié)果，k 值越大產(chǎn)生的圖像越逼真。

Note：除了 color_quantization() 函數(shù)外，由于其他代碼并未修改，因此不再另外給出。?

到此這篇關(guān)于Python+OpenCV實(shí)戰(zhàn)之利用 K-Means 聚類進(jìn)行色彩量化的文章就介紹到這了,更多相關(guān)OpenCV? K-Means 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: