本系列文章配套代码获取有以下两种途径：
-
通过百度网盘获取：
链接：https://pan.baidu.com/s/1i9F6oV1J5oZnIsOASDs0gQ?pwd=mnsj提取码：mnsj
-
前往GitHub获取：
https://github.com/returu/Python_mini_program-
使用OpenCV库读取图像并对其进行预处理；
-
使用KMeans算法对图像中的像素进行聚类； -
定义RGB_histogram函数用于计算每个簇（颜色）在图像中的比例； -
定义plot_bar函数来绘制一个条形图，用于可视化聚类操作得到的每个簇的颜色及其在图像中所占的比例； -
定义display_results函数使用matplotlib可视化原始图像和结果。
# 导入所需的库
from sklearn.cluster import KMeans # 导入KMeans聚类算法
import matplotlib.pyplot as plt # 导入matplotlib用于绘图
import cv2 # 导入OpenCV用于图像处理
import numpy as np # 导入NumPy用于数值计算
class ImageColorAnalyzer:
def __init__(self, image_path ,n_clusters=5):
self.image_path = image_path # 图像路径
self.n_clusters = n_clusters # 初始化簇的数量
def RGB_histogram(self, labels):
"""计算RGB直方图"""
# 计算唯一标签的数量，并创建一个包含这些标签的数组
num_labels = np.arange(0, len(np.unique(labels)) + 1)
# 计算直方图，即每个标签（簇）的频率
hist, _ = np.histogram(labels, bins=num_labels)
# 将直方图转换为浮点数
hist = hist.astype("float")
# 归一化直方图，使所有频率的和为1
hist /= hist.sum()
return hist
def plot_bar(self, hist, centroids):
"""绘制条形图"""
width = 600
height = 150
# 创建一个50x300像素的空白画布，用于绘制条形图
bar = np.zeros((height, width, 3), dtype="uint8")
# 初始化条形图的起始X坐标
startX = 0
# 遍历直方图中的每个比例和对应的簇中心颜色
for (percent, color) in zip(hist, centroids):
# 计算条形的结束X坐标
endX = startX + (percent * width)
# 绘制条形图
cv2.rectangle(bar, (int(startX), 0),
(int(endX), height),
color.astype("uint8").tolist(), -1)
# 在条形上添加RGB文本
cv2.putText(bar, f"Color:" , (int(startX), 80),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
cv2.putText(bar, f"R- {color.astype('int').tolist()[0]}" ,
(int(startX), 100), cv2.FONT_HERSHEY_SIMPLEX,
0.5, (255, 0, 0), 1)
cv2.putText(bar, f"G- {color.astype('int').tolist()[1]}" ,
(int(startX), 120), cv2.FONT_HERSHEY_SIMPLEX,
0.5, (255, 0, 0), 1)
cv2.putText(bar, f"B- {color.astype('int').tolist()[2]}" ,
(int(startX), 140), cv2.FONT_HERSHEY_SIMPLEX,
0.5, (255, 0, 0), 1)
# 在条形上添加文本
cv2.putText(bar, f"Percent:", (int(startX), 20),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
cv2.putText(bar, f"{percent:.2f}", (int(startX), 40),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
# 更新起始X坐标为当前条形的结束坐标
startX = endX
return bar
def analyze_image(self):
"""分析图像并返回直方图和条形图"""
# 读取图像文件
image = cv2.imread(self.image_path)
if image is None:
raise ValueError("无法读取图像文件，请检查路径是否正确。")
# 将图像从BGR颜色空间转换为RGB颜色空间
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 将图像重塑为二维数组，每行代表一个像素的RGB值
img = image.reshape((image.shape[0] * image.shape[1], 3))
# 创建KMeans聚类器
clt = KMeans(n_clusters=self.n_clusters)
# 对图像像素进行聚类
clt.fit(img)
# 计算聚类结果的RGB直方图（使用clt.labels_获取训练数据所属的类别）
hist = self.RGB_histogram(clt.labels_)
# 使用聚类中心和直方图绘制条形图（使用clt.cluster_centers_获取聚类中心）
bar = self.plot_bar(hist, clt.cluster_centers_)
return image, bar
def display_results(self, image, bar):
"""显示分析结果"""
# 创建一个10x5的图形窗口
plt.figure(figsize=(20, 5))
# 添加一个1行2列的子图，并激活第一个子图
plt.subplot(1, 2, 1)
# 显示原始图像
plt.imshow(image)
# 添加标题
plt.title("Original Image")
plt.axis("off")
# 激活第二个子图
plt.subplot(1, 2, 2)
# 显示条形图
plt.imshow(bar)
# 添加标题
plt.title("Color Bar Chart")
plt.axis("off")
# 显示图形窗口
plt.show()
def process_and_display(self):
"""处理图像并显示结果"""
# 分析图像
image , bar = self.analyze_image()
# 显示结果
self.display_results(image, bar)
# 替换为您的图像文件路径
image_path = "test.jpg"
# 设置簇的数量
n_clusters = 5
# 创建分析器实例
analyzer = ImageColorAnalyzer(image_path , n_clusters=n_clusters)
# 处理图像并显示结果
analyzer.process_and_display()
提出结果如下图所示：
本篇文章来源于微信公众号: 码农设计师
