今天这篇给大家分享的知识是“K-Means进行色彩量化的方法思路是什么，代码如何写”,小编觉得挺不错的，对大家学习或是工作可能会有所帮助，对此分享发大家做个参考，希望这篇“K-Means进行色彩量化的方法思路是什么，代码如何写”文章能帮助大家解决问题。

K-Means 聚类算法的目标是将 n 个样本划分(聚类)为 K 个簇，在博文《OpenCV与机器学习的碰撞》中，我们已经学习利用 OpenCV 提供了 cv2.kmeans() 函数实现 K-Means 聚类算法，该算法通过找到簇的中心并将输入样本分组到簇周围，同时通过简单的示例了解了 K-Means 算法的用法。在本文中，我们将学习如何利用 K-Means 聚类进行色彩量化，以减少图像中颜色数量。

利用 K-Means 聚类进行色彩量化

色彩量化问题可以定义为减少图像中颜色数量的过程。色彩量化对于某些设备显示图像非常关键，这些设备可能由于内存限制等原因只能显示有限颜色，因此，在这些设备上显示色彩通常需要在准确性和减少颜色数量之间进行权衡，在利用 K-Means 聚类进行色彩量化时，权衡两者是通过正确设置 K 参数来进行的。

利用 K-Means 聚类算法来执行色彩量化，簇中心数据由 3 个特征组成，它们对应于图像每个像素的 B、G 和 R 值。因此，关键是将图像转换为数据：

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

为了观察如何权衡准确性和颜色数，我们使用不同 K 值 (3 、 5 、 10 、 20 和 40) 执行聚类过程，以查看生成的图像如何变化，如果我们想要只有 3 种颜色 (K = 3) 的结果图像，需要执行以下操作：

加载 BGR 图像：

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

使用 color_quantization() 函数执行色彩量化：

def color_quantization(image, k):
    # 将图像转换为数据
    data = np.float32(image).reshape((-1, 3))
    # 算法终止条件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚类
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 将具有 k 颜色中心的图像转换为 uint8
    result = center[label.flatten()]
    result = result.reshape(img.shape)
    return result
color_3 = color_quantization(img, 3)

color_quantization() 函数中，关键点是利用 cv2.kmeans() 方法。最后，可以用 k 种颜色来构建图像，用它们对应的中心值替换每个像素值，程序的运行结果如下所示：

完整代码

利用 K-Means 聚类进行色彩量化的完整代码如下所示：

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):
    # 将图像转换为数据
    data = np.float32(image).reshape((-1, 3))
    # 算法终止条件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚类
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 将具有 k 颜色中心的图像转换为 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')
# 图片加载
img = cv2.imread('example.png')
show_img_with_matplotlib(img, "original image", 1)
# 使用不同 K 值进行色彩量化
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()

显示色彩量化后的色彩分布

可以扩展以上程序使其显示色彩量化后的色彩分布，该色彩分布显示了分配给每个聚类中心的像素数。只需扩展 color_quantization() 函数已被修改为包含所需功能：

import collections
def color_quantization(image, k):
    # 将图像转换为数据
    data = np.float32(image).reshape((-1, 3))
    # 算法终止条件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
    # K-Means 聚类
    ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    # 簇中心
    center = np.uint8(center)
    # 将具有 k 颜色中心的图像转换为 uint8
    result = center[label.flatten()]
    result = result.reshape(img.shape)
    # 统计分配给每个聚类中心的像素数
    counter = collections.Counter(label.flatten())
    print(counter)
    # 计算输入图像的总像素数
    total = img.shape[0] * img.shape[1]
    # 为色彩分布图像指定宽度和高度：
    desired_width = img.shape[1]
    
    desired_height = 70
    desired_height_colors = 50
    # 初始化色彩分布图像
    color_distribution = np.ones((desired_height, desired_width, 3), dtype='uint8') * 255
    start = 0

    for key, value in counter.items():
        # 归一化
        value_normalized = value / total * desired_width
        end = start + value_normalized
        # 绘制与当前颜色对应的矩形
        cv2.rectangle(color_distribution, (int(start), 0), (int(end), desired_height_colors), center[key].tolist(), -1)
        start = end

    return np.vstack((color_distribution, result))

上述代码中，使用 collections.Counter() 来统计分配给每个聚类中心的像素数：

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

例如，如果 K = 10，则可以得到如下结果：

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

构建色彩分布图像后，将其与色彩量化后的图像连接在一起：

np.vstack((color_distribution, result))

程序的输出如下所示：

从上图可以看出，使用 K-Means 聚类算法应用色彩量化后改变参数 k (10、20、30、40、50、60 和 70) 的结果，k 值越大产生的图像越逼真。

Note：除了 color_quantization() 函数外，由于其他代码并未修改，因此不再另外给出。 

到此这篇关于“K-Means进行色彩量化的方法思路是什么，代码如何写”的文章就介绍到这了,更多相关K-Means进行色彩量化的方法思路是什么，代码如何写内容，欢迎关注群英网络技术资讯频道，小编将为大家输出更多高质量的实用文章！

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python实现查找字典key方法的有哪些呢

  这篇文章主要介绍了Python查找多个字典公共键key案例，文章主要通过案例分享展开详细的内容介绍，具有一定的参考价值，需要的小伙伴可以参考一下

• Matplotlib如何进行3D图表的绘制，操作是什么

  本文主要介绍了Python数据分析之Matplotlib 3D图详情，Matplotlib提供了mpl_toolkits.mplot3d工具包来进行3D图表的绘制，下文总结了更多相关资料，需要的小伙伴可以参考一下

• Python中的slice()函数主要用在哪里，怎么用

  Python内置函数-slice()函数。slice() 函数实现切片对象，主要用在切片操作函数里的参数传递。

• Python锁机制如何理解，RLock()与Lock()有何不同

  这篇文章主要为大家介绍了Python并行编程多线程锁机制Lock与RLock实现线程同步示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

• Django url反向解析的定义是什么，使用方式是怎样

  本文主要介绍了Django url反向解析的实现，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下