如何使用 OpenCV 在 Python 中查找图像的平均颜色？-IT科技

摘要：问题描述：我尝试了这个代码：import cv2 image = cv2.imread("sample.jpg") pixel = image[200, 550] print pixel 但我收到错误：'Nonetype' 没有属性错误getitem执行第三行代码后显示此错误。解决方案 1...

问题描述：

我尝试了这个代码：

import cv2
image = cv2.imread("sample.jpg")
pixel = image[200, 550]
print pixel

但我收到错误：

'Nonetype' 没有属性错误getitem

执行第三行代码后显示此错误。

解决方案 1：

如何修复错误

发生此错误可能有两个原因：

文件名拼写错误。
图像文件不在当前工作目录中。

要解决此问题，您应该确保文件名拼写正确（以防万一，请区分大小写检查）并且图像文件位于当前工作目录中（这里有两个选项：您可以更改 IDE 中的当前工作目录或指定文件的完整路径）。

平均色与主色

然后，要计算“平均颜色”，您必须确定其含义。在灰度图像中，它只是整个图像灰度的平均值。颜色通常通过三维矢量表示，而灰度则是标量。

平均颜色是所有像素的总和除以像素数。但是，这种方法可能会产生与最突出的视觉颜色不同的颜色。您真正想要的是主色，而不是平均色。

执行

让我们慢慢地看一下代码。我们首先导入必要的模块并读取图像：

import cv2
import numpy as np
from skimage import io

img = io.imread('https://i.sstatic.net/DNM65.png')[:, :, :-1]

然后，我们可以按照类似于@Ruan B. 提出的方法计算每个色度通道的平均值：

average = img.mean(axis=0).mean(axis=0)

接下来，我们应用k 均值聚类来创建一个具有图像最具代表性的颜色的调色板（在这个玩具示例中n_colors设置为5）。

pixels = np.float32(img.reshape(-1, 3))

n_colors = 5
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 200, .1)
flags = cv2.KMEANS_RANDOM_CENTERS

_, labels, palette = cv2.kmeans(pixels, n_colors, None, criteria, 10, flags)
_, counts = np.unique(labels, return_counts=True)

最后，主色是量化图像上最常出现的调色板颜色：

dominant = palette[np.argmax(counts)]

结果比较

为了说明两种方法之间的差异，我使用了以下示例图像：

获得的平均颜色（即其成分是三个色度通道的平均值的颜色）和通过 k 均值聚类计算的主颜色的值相当不同：

In [30]: average
Out[30]: array([91.63179156, 69.30190754, 58.11971896])

In [31]: dominant
Out[31]: array([179.3999  ,  27.341282,   2.294441], dtype=float32)

让我们看看这些颜色是什么样子，以便更好地理解这两种方法之间的差异。下图左侧显示的是平均颜色。很明显，计算出的平均颜色不能正确描述原始图像的颜色内容。事实上，原始图像中没有一个像素具有这种颜色。图的右侧显示了五种最具代表性的颜色，按重要性（出现频率）从上到下降序排列。这个调色板清楚地表明，主色是红色，这与原始图像中最大的均匀颜色区域对应于红色乐高积木的事实一致。

这是用于生成上图的代码：

import matplotlib.pyplot as plt

avg_patch = np.ones(shape=img.shape, dtype=np.uint8)*np.uint8(average)

indices = np.argsort(counts)[::-1]   
freqs = np.cumsum(np.hstack([[0], counts[indices]/float(counts.sum())]))
rows = np.int_(img.shape[0]*freqs)

dom_patch = np.zeros(shape=img.shape, dtype=np.uint8)
for i in range(len(rows) - 1):
    dom_patch[rows[i]:rows[i + 1], :, :] += np.uint8(palette[indices[i]])
    
fig, (ax0, ax1) = plt.subplots(1, 2, figsize=(12,6))
ax0.imshow(avg_patch)
ax0.set_title('Average color')
ax0.axis('off')
ax1.imshow(dom_patch)
ax1.set_title('Dominant colors')
ax1.axis('off')
plt.show(fig)

TL;DR 答案

总之，尽管@Ruan B. 的回答中提出的平均颜色计算是正确的，但得到的结果可能不足以代表图像的颜色内容。更明智的方法是通过矢量量化（聚类）确定主色。

解决方案 2：

我能够通过使用以下方法获得平均颜色：

import cv2
import numpy
myimg = cv2.imread('image.jpg')
avg_color_per_row = numpy.average(myimg, axis=0)
avg_color = numpy.average(avg_color_per_row, axis=0)
print(avg_color)

结果：

[ 197.53434769  217.88439451  209.63799938]

我参考的很棒的资源

解决方案 3：

另一种方法是使用K 均值聚类来确定图像中的主色sklearn.cluster.KMeans()

输入图像

IT科技

结果

以下n_clusters=5是最主要的颜色和百分比分布

[76.35563647 75.38689122 34.00842057] 7.92%
[200.99049989  31.2085501   77.19445073] 7.94%
[215.62791291 113.68567694 141.34945328] 18.85%
[223.31013152 172.76629675 188.26878339] 29.26%
[234.03101989 217.20047979 229.2345317 ] 36.03%

每个颜色簇的可视化

在此处输入图片描述

相似之处n_clusters=10，

[161.94723762 137.44656853 116.16306634] 3.13%
[183.0756441    9.40398442  50.99925105] 4.01%
[193.50888866 168.40201684 160.42104169] 5.78%
[216.75372674  60.50807092 107.10928817] 6.82%
[73.18055782 75.55977818 32.16962975] 7.36%
[226.25900564 108.79652434 147.49787087] 10.44%
[207.83209569 199.96071651 199.48047163] 10.61%
[236.01218943 151.70521203 182.89174295] 12.86%
[240.20499237 189.87659523 213.13580544] 14.99%
[235.54419627 225.01404087 235.29930545] 24.01%

在此处输入图片描述

import cv2, numpy as np
from sklearn.cluster import KMeans

def visualize_colors(cluster, centroids):
    # Get the number of different clusters, create histogram, and normalize
    labels = np.arange(0, len(np.unique(cluster.labels_)) + 1)
    (hist, _) = np.histogram(cluster.labels_, bins = labels)
    hist = hist.astype("float")
    hist /= hist.sum()

    # Create frequency rect and iterate through each cluster's color and percentage
    rect = np.zeros((50, 300, 3), dtype=np.uint8)
    colors = sorted([(percent, color) for (percent, color) in zip(hist, centroids)])
    start = 0
    for (percent, color) in colors:
        print(color, "{:0.2f}%".format(percent * 100))
        end = start + (percent * 300)
        cv2.rectangle(rect, (int(start), 0), (int(end), 50), \n                      color.astype("uint8").tolist(), -1)
        start = end
    return rect

# Load image and convert to a list of pixels
image = cv2.imread('1.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
reshape = image.reshape((image.shape[0] * image.shape[1], 3))

# Find and display most dominant colors
cluster = KMeans(n_clusters=5).fit(reshape)
visualize = visualize_colors(cluster, cluster.cluster_centers_)
visualize = cv2.cvtColor(visualize, cv2.COLOR_RGB2BGR)
cv2.imshow('visualize', visualize)
cv2.waitKey()

解决方案 4：

如果将图像放入 OpenCV 的 BGR 格式，则可以运行此代码，将每个像素放入以下四个分类之一：

蓝绿红灰

在下面的代码中，我们处理 Tonechas 使用的图像，

彩色乐高积木

程序

import cv2 as cv
import numpy as np
from imageio import imread

image = imread('https://i.sstatic.net/DNM65.png')
img  = cv.cvtColor(np.array(image), cv.COLOR_RGB2BGR)
rows, cols, _ = img.shape

color_B = 0
color_G = 0
color_R = 0
color_N = 0 # neutral/gray color

for i in range(rows):
    for j in range(cols):
        k = img[i,j]
        if k[0] > k[1] and k[0] > k[2]:
            color_B = color_B + 1
            continue
        if k[1] > k[0] and k[1] > k[2]:
            color_G = color_G + 1
            continue        
        if k[2] > k[0] and k[2] > k[1]:
            color_R = color_R + 1
            continue
        color_N = color_N + 1

pix_total = rows * cols
print('Blue:', color_B/pix_total, 'Green:', color_G/pix_total, 'Red:',  color_R/pix_total, 'Gray:',  color_N/pix_total)

输出

Blue: 0.2978447577378059 Green: 0.21166979188369564 Red: 0.48950158575827024 Gray: 0.0009838646202282567