Question

有没有人知道快速算法来检测图像中的主要颜色？

我目前正在使用k-means与Python的PIL一起查找颜色，但速度非常慢。一个200x200图像需要10秒钟才能完成处理。我有几十万张照片。

Answer 1

一种快速方法是简单地将颜色空间划分为多个区域，然后构建直方图。它很快，因为你只需要每个像素做出少量决定，你只需要在图像上进行一次传递（并且一次通过直方图以找到最大值）。

更新：这是一个粗略的图表，可以帮助解释我的意思。

在x轴上的颜色分为不连续的区域。 y轴显示每个bin的值，即与该bin的颜色范围匹配的像素数。此图像中有两种主要颜色，由两个峰显示。

Color Histogram

Answer 2

K-means是此任务的不错选择，因为您事先知道主要颜色的数量。你需要优化K-means。我认为你可以缩小你的图像尺寸，只需将其缩小到100x100像素左右。找到你的算法以可接受的速度工作的大小。另一种选择是在k均值聚类之前使用降维。

尝试找到快速的k-means实现。在python中编写这样的东西是对python的误用。它不应该像这样使用。

Answer 3

稍微修补一下，this code（我怀疑你可能已经看过了！）可以加速到不到一秒

如果将kmeans(min_diff=...)值增加到大约10，它会产生非常相似的结果，但运行时间为900毫秒（相比约为5000-6000毫秒，min_diff=1）

进一步将缩略图的大小减小到100x100似乎也不会对结果造成太大影响，并且运行时间大约为250毫秒

这是一个稍微调整过的代码版本，它只是参数化min_diff值，并包含一些可怕的代码来生成带有结果/时间的HTML文件

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)

快速算法检测图像中的主要颜色？

3 个答案: