根据饱和度值和图像数字数组中的值计算颜色可见性

Question

为了一个有趣的项目，我想分析一些图像，特别是哪些颜色（色调）比其他颜色更明显。因为我想考虑颜色的“可见性”，仅仅计算像素的色调是不够的（例如，完美的黑色在其色调为0°时就等于红色）。我想出了一个对我的项目来说足够好的公式。在

目前我做以下工作：

• 使用opencv读取图像（结果为BGR numpy数组）
• 将图像转换为HSV
• 对于每个像素，计算其色调的可见性（根据饱和度和值），并将其相加为色调的dict。在

公式是color_visibility = sqrt(saturation * value)。因此，一个完整的红色RGB=255,0,0; HSV=0,1,1将产生{}，而例如浅红色RGB=255,128,128; HSV=0,0.5,1将产生{}。在

以下是我使用的（完整工作）代码：

import urllib
import cv2
import numpy as np

url = 'https://upload.wikimedia.org/wikipedia/commons/thumb/0/02/Leuchtturm_in_Westerheversand_crop.jpg/299px-Leuchtturm_in_Westerheversand_crop.jpg'
image = np.asarray(bytearray(urllib.urlopen(url).read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)

d = {}
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
pixels = hsv.reshape((hsv.shape[0] * hsv.shape[1], 3))
for h,s,v in pixels:
    d[h] = d.get(h, 0.) + (s/255. * v/255.) ** 0.5

正如您可能猜到的，当图像有更多像素时，代码会变得非常慢。在

我的问题是，没有dict和for循环，如何计算公式？也许直接和纽比在一起？在

Answer 1

您要寻找的魔力在^{}中，因为它相当直接地将h值转换为循环版本-

H,S,V = pixels.T
d_arr = np.bincount(H, ((S/255.0) * (V/255.0))**0.5 )

请注意，结果数组的元素的值计数可能为零