快速算法检测图像中的主要颜色？

有谁知道一个快速的算法来检测图像中的主要颜色？快速算法检测图像中的主要颜色？

我目前使用k-means与Python的PIL一起查找颜色，但速度很慢。一张200x200的图像需要10秒才能处理。我有几十万张图片。

来源

2012-10-25 bodacydo

随机抽样，如果你真的真的需要速度 – jozefg

我觉得K-手段可能是一种选择是相当因为您事先知道群集数。也许你需要优化你的实现以获得更好的性能，或者用C或C++重写它。 – Lazin

基于划分聚类的非常快速和开源的C++实现可以在我的博客文章中找到：http://www.modejong.com/blog/post17_divquant_clustering – MoDJ

一种快速的方法是简单地将色彩空间分成多个分箱，然后构造一个直方图。它的速度很快，因为每个像素只需要少量的决策，而且只需要在图像上进行一次扫描（并通过直方图查找最大值）。

更新：这里有一个粗略的图表来帮助解释我的意思。

在x轴上是分成不连续箱的颜色。 y轴显示每个bin的值，它是与该bin的颜色范围匹配的像素数。这个图像中有两个主要颜色，由两个峰值显示。

Color Histogram

来源

2012-10-25 04:46:52

如果我想要5种顶级颜色，该怎么办？ – bodacydo

最简单的方法是取直方图中的前五个仓！你可能会发现坐在几个箱子上的胖峰 - 在这种情况下，你会希望找到_local maxima_而不是绝对最大值（即，如果你想象出带有“山丘”的频率最高的颜色的直方图，找到山顶，而不是可能全部位于最大山丘上的前五点）。您可能会发现首先平滑直方图很有帮助。 –

感谢@BrianL图。现在非常清楚。唯一的问题是我不知道Hue是什么。我会尽力找到更多关于Hue的信息。我可以从RGB轻松找到Hue吗？ – bodacydo

K-手段是完成这个任务的好选择，因为你知道的主色调数事前。你需要优化K-means。我认为你可以减少你的图像尺寸，只需将它缩小到100x100像素左右即可。查找你的算法在可接受的速度下工作的大小。另一种选择是在k均值聚类之前使用降维。

并试图找到快速k-means的实现。用python编写这样的东西是对python的滥用。不应该像这样使用它。

来源

2012-10-25 06:32:22 Lazin

谢谢@Lazin。我会尝试将图像转换为100x100，这应该将运行时间减少4我认为。也许50x50也可以工作。 – bodacydo

有了一点修修补补，this code（我怀疑你可能已经看到了！）可以略低于第二

如果增加kmeans(min_diff=...)值约10加速到，它产生的结果非常相似，但在900毫秒运行（相比与min_diff=1约5000-6000ms）

进一步降低缩略图为100x100的大小似乎并没有太多或者影响结果，并采取了运行时间约250ms的

这是一个稍微调整的鳕鱼版本E，这只是parameterises的min_diff价值，并包含了一些可怕的代码来生成与结果的HTML文件/定时

from collections import namedtuple 
from math import sqrt 
import random 
try: 
    import Image 
except ImportError: 
    from PIL import Image 

Point = namedtuple('Point', ('coords', 'n', 'ct')) 
Cluster = namedtuple('Cluster', ('points', 'center', 'n')) 

def get_points(img): 
    points = [] 
    w, h = img.size 
    for count, color in img.getcolors(w * h): 
     points.append(Point(color, 3, count)) 
    return points 

rtoh = lambda rgb: '#%s' % ''.join(('%02x' % p for p in rgb)) 

def colorz(filename, n=3, mindiff=1): 
    img = Image.open(filename) 
    img.thumbnail((200, 200)) 
    w, h = img.size 

    points = get_points(img) 
    clusters = kmeans(points, n, mindiff) 
    rgbs = [map(int, c.center.coords) for c in clusters] 
    return map(rtoh, rgbs) 

def euclidean(p1, p2): 
    return sqrt(sum([ 
     (p1.coords[i] - p2.coords[i]) ** 2 for i in range(p1.n) 
    ])) 

def calculate_center(points, n): 
    vals = [0.0 for i in range(n)] 
    plen = 0 
    for p in points: 
     plen += p.ct 
     for i in range(n): 
      vals[i] += (p.coords[i] * p.ct) 
    return Point([(v/plen) for v in vals], n, 1) 

def kmeans(points, k, min_diff): 
    clusters = [Cluster([p], p, p.n) for p in random.sample(points, k)] 

    while 1: 
     plists = [[] for i in range(k)] 

     for p in points: 
      smallest_distance = float('Inf') 
      for i in range(k): 
       distance = euclidean(p, clusters[i].center) 
       if distance < smallest_distance: 
        smallest_distance = distance 
        idx = i 
      plists[idx].append(p) 

     diff = 0 
     for i in range(k): 
      old = clusters[i] 
      center = calculate_center(plists[i], old.n) 
      new = Cluster(plists[i], center, old.n) 
      clusters[i] = new 
      diff = max(diff, euclidean(old.center, new.center)) 

     if diff < min_diff: 
      break 

    return clusters 

if __name__ == '__main__': 
    import sys 
    import time 
    for x in range(1, 11): 
     sys.stderr.write("mindiff %s\n" % (x)) 
     start = time.time() 
     fname = "akira_940x700.png" 
     col = colorz(fname, 3, x) 
     print "<h1>%s</h1>" % x 
     print "<img src='%s'>" % (fname) 
     print "<br>" 
     for a in col: 
      print "<div style='background-color: %s; width:20px; height:20px'>&nbsp;</div>" % (a) 
     print "<br>Took %.02fms<br> % ((time.time()-start)*1000)

来源

2012-10-25 12:31:48 dbr

快速算法检测图像中的主要颜色？

回答

相关问题