计算撇除的颜色数

Question

我希望能够计算图像一部分的颜色数量

我考虑的一种方法是绘制灰度图像的直方图，然后计算峰值的数量，这就是颜色的数量

histogram, bin_edges = np.histogram(gray_image, bins = 256, range=(0,1))
plt.plot(histogram)
peaks = signal.find_peaks_cwt(histogram, 10)

当我这样做时，signal.find_peaks_cwt表示数组的索引太多

我该怎么做，或者有没有更好的方法来计算颜色的数量

Answer 1

这个答案让人有点想发表评论：

我不太清楚你想做什么。您是要计算图像中所有可分辨元素的数量，还是要将所有阴影（例如红色）计算为一种颜色

还可以使用不同类型的数据类型来表示图像（例如float∈ [-1,1]或uint8∈ [0, 255]). 在第一行中，您显然希望根据range=(0,1)得到一个float类型的图像。 通过装箱，您可能会丢失有关可分辨元素的信息，因此无法计算可分辨元素的数量

可分辨颜色计数

要计算灰度图像中的所有可用颜色（=可分辨元素），可以使用以下一行。（这当然也适用于float图像。如果您真的想区分每种颜色，这是完美的，但如果不是，您的命令np.histogram是个好主意。）

len(set(gray_image.flatten()))

至于scipy.signal.find_peaks_cwt(histogram, 10)的错误，^{}需要一个1D数组作为第二个参数。如果您提供一个numpy数组，它就可以正常工作

计算相似颜色的簇

如果您想对相似的颜色进行聚类，而不是对它们进行两次计数，则可以选择不同的方法。这里的关键词是“颜色量化”。 如图this post所示，您可以使用聚类算法对图像中使用的颜色进行量化。 在颜色量化之后，您可以简单地重塑图像以保留RGB元组，并使用如下numpysunique方法：

import numpy as np

len(np.unique(color_image.reshape(-1, 3), axis = 0))

有很多方法可以减少颜色的数量。枕头有两个功能posterize和^{}。我在前面提到的帖子中展示了一个使用Scikit learn的k-means方法，在使用预定义的颜色集时，您还可以尝试使用距离度量