完整項目代碼在：https://github.com/liuhuang31/simple_mainColor

?

本人新手一枚，所編寫的代碼基本盡量沒調用庫類，所以感覺代碼會很臃腫，連三級代碼都稱不上哈，這個主色調也是看了一天python后，現學現用的?？梢晕⒉╆P注@劉煌煌愛喝冬瓜茶 ? ? 一起交流學習！

?

python寫的（python2.7 和python3.+）都可以使用，需要安裝 PIL?matplotlib numpy等環境。

一、識別主色調步驟

非常具有參考價值的論文《一種新的MPEG-7主顏色提取算法》，我前面做的步驟基本是參考這篇文章的。

1、獲取圖像RGB

2、RGB轉化成HSV空間值

3、HSV空間下k均值迭代（初始點是根據圖像的像素范圍來random選擇初始點的數值）

4、顯示圖片（把聚類的hsv值轉化為RGB顯示出來）

具體詳細的步驟看下上面的論文哈

二、代碼實現

1、hsvTRGB.py ?參考：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 *# 加載圖片，返回數據 def loadImage(path):im = Image.open(path) # Can be many different formats.pix = im.load() # 獲得圖像的像素width = im.size[0] # 獲得圖像的寬度height = im.size[1] # 獲得圖像的高度data = width, height, pix, im # 把這些width，height，pix，im這些值賦給data，后面KMeans方法里要用到這些值return data# hsv空間兩點間歐氏距離，選出距離最小的類 def distEclud(hsv, centroids, k):h, s, v = hsv # 獲取當前像素的h，s，v值min = -1 # 用作判斷centroids[i]是否為第一個中心點# 逐個計算當前hsv與各個類中心點的歐式距離，選出距離最小的類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) # 歐氏距離計算公式# 用j表示當前hsv值屬于第j個centroidsif (min == -1):min = mincj = 0continueif (minc < min):min = mincj = ireturn j# 隨機生成初始的質心（ng的課說的初始方式是隨機選K個點），選擇圖像中最小的值加上隨機值來生成 def getCent(dataSet, k):centroids = zeros((k, 3)) # 種子，k表示生成幾個初始中心點，3表示hsv三個分量width, height, n = dataSet.shape # 獲得數據的長寬# 循環獲得dataSet所有數據里面最小和最大的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個初始點，hsv各個分量的最小值加上range的隨機值for i in range(k):centroids[i] = minh + rangeh * ran.random(), mins + ranges * ran.random(), + \minv + rangev * ran.random()return centroids# 前一個centroids與當前centroids的根號平方差 def getDist(preC, centroids):k, n = preC.shape # k表示centroids的k個中心點（類中心點），n表示例如centroid[0]當中的三個hsv分量sum = 0.0 # 總距離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)# 中心點k均值迭代 def KMeans(k, data):width, height, pix, im = data # 獲得要處理圖像的各個數據dataSet = [[0 for col in range(height)] for row in range(width)] # 圖像數據轉化為hsv后的數據及其數據格式for x in range(width):for y in range(height):r, g, b = pix[x, y] # 獲取圖像rgb值hsv = h, s, v = rgb2hsv.rgb2hsv(r, g, b) # 把rgb值轉化為hsv值dataSet[x][y] = hsvdataSet = np.array(dataSet) # 把dataSet數據轉化為numpy的數組數據，以便待會獲得初始點時，更好處理數據centroids = getCent(dataSet, k) # 獲得k個初始中心點# 循環迭代直到前一個centroids與當前centroids的根號距離滿足一定條件while 1:count = [0 for i in range(k)] # count用來統計各個中心類中的數據的個數myList = [[] for i in range(width * height)] # mylist用來存放各個中心類中的數據preC = centroids # preC保存前一個centroids的數據# 判斷各個像素屬于哪個中心類，然后把hsv值放到所屬類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) # 計算歐氏距離，獲得該像素，也就是hsv所屬中心類myList[i].append((h, s, v)) # 把hsv值加到所屬中心類count[i] += 1 # 相應所屬類的個數增加# 一次所有點類別劃分后，重新計算中心點for i in range(k):size = len(myList[i]) # 各個類中的個數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 # 取該類hsv分量的平均值print (centroids[0:k])norm = getDist(preC, centroids) # 獲得前一個centroids與當前centroids的根號距離if norm < 0.1: # 距離小于0.1，則跳出循環breakreturn count, centroids # 返回count：各個中心點數據的個數；centroids：最終迭代后的中心點def show(im, count, centroids, k, imgpath):# 顯示第一個子圖：各個中心類的個數mpl.rcParams['font.family'] = "SimHei" # 指定默認字體，才能顯示中文字體ax1 = plt.subplot(221) # 把figure分成2X2的4個子圖，ax1為第一個子圖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') # 設置橫坐標plt.ylabel('Sum_Number') # 設置縱坐標plt.title(u'points num of centroids') # 設置標題plt.xticks(index + bar_width, ('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I')) # 設置橫坐標各個類plt.legend() # 設置plt.tight_layout()ax2 = plt.subplot(222)img = Image.open(imgpath)x = k # x坐標 通過對txt里的行數進行整數分解# 冒泡算法從大到小排序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個中心類個數最大的顏色x = 8count_remove = 0 # 用語統計，剔除中心類中，類聚集的數據數小于5%的sum_count = float(sum(count)) # sum_count為總的數據數個數，也就是各個類聚集的總個數# 剔除中心類中，類聚集的數據數小于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 # 確保有一個主顏色print("\n============ the points number of centroids ===============")print (count)# 圖片顯示的x y軸y = img.size[1] # y坐標 x*y = 行數w = int(img.size[0] / x)# 顯示前8個中心類個數最大的顏色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轉化為像素plt.xlabel(u'color')plt.title(u'main color sort')plt.yticks()plt.imshow(img)plt.tight_layout()# 顯示原圖，也就是要處理的圖像plt.subplot(212)plt.title(u'origin image')plt.imshow(im)# 顯示整個figureplt.show()def main():imgpath = '/Users/liuhuang31/Desktop/test2.jpg'data = loadImage(imgpath) # Can be many different formats.選擇這種方式導入圖片k = 20 # 設置k均值初始點個數# 通過KMeans方法后返回的centroids，是k均值迭代后最終的中心點, count是這k個中心（類）的所包含的個數count, centroids = KMeans(k, data)print("\n================== the centroids RGB =================")for i in range(k): # 因為有k個中心點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)，就是得到圖像對象show(im, count, centroids, k, imgpath) # 顯示圖像if __name__ == '__main__':main()

?

?

?

?

三、前方高能，我要放圖了！！也就是實驗結果

由于k個初始中心點是根據圖像的像素范圍來random選擇初始點的數值，所以每次運行的結果會有小差異！

1、對于傳說中的粉紅色（由于其特殊性，有些識別方法識別不出，可能原因是沒根據圖像的RGB來生成初始聚類中心，或者自己設定初始點）

2、

（1）初始點k=10

(2)初始點k=20 (可以看到和選擇k=10還是有區別的哈)

3、這張圖識別的稍微不準，白色RGB(255,255,255)識別出來為RGB（239,226,225），藍色和黃色倒是識別得準確

四、再次強調哈，由于我python是現學現做，對于數據結構很多都不熟悉，所以轉換來轉換的，不過能自己寫的，我都沒調用庫類，對自己更有鍛煉，也挺適合我這樣的新手，還有對一些圖片識別稍微有誤差，現在還在調試中ＱＡＱ。還有圖像顯示的第二個主顏色排序子圖像代碼不是很好。。

五、參考資料列表（良好的習慣^-^）
1、Python中的Numpy入門教程：http://www.jb51.net/article/49397.htm

2、顏色空間RGB與HSV(HSL)的轉換：http://blog.csdn.net/jiangxinyu/article/details/8000999

3、python使用matplotlib繪解詳解：http://www.pythontab.com/html/2013/pythonhexinbiancheng_0123/161.html

4、Matplotlib 畫柱狀圖 ? （使用里面的方法來畫圖）：?http://blog.csdn.net/wishchin/article/details/24906175

5、RGB值轉化圖片（python PIL） ??（使用里面的方法來畫圖） ?http://www.tuicool.com/articles/mYBN7ju


?

總結

以上是生活随笔為你收集整理的python图像主色调（主颜色）提取，在hsv空间k均值迭代实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。