使用K-Nearest聚类颜色的有效方法

Question

我正在尝试将图像上的颜色聚类为预定义的类（黑色，白色，蓝色，绿色，红色）。我正在使用以下代码：

import numpy as np
import cv2

src = cv2.imread('objects.png')

colors = np.array([[0x00, 0x00, 0x00],
                   [0xff, 0xff, 0xff],
                   [0xff, 0x00, 0x00],
                   [0x00, 0xff, 0x00],
                   [0x00, 0x00, 0xff]], dtype=np.float32)
classes = np.array([[0], [1], [2], [3], [4]], np.float32)
dst = np.zeros(src.shape, np.float32)

knn = cv2.KNearest()
knn.train(colors, classes)

# This loop is very inefficient!
for i in range(0, src.shape[0]):
    for j in range(0, src.shape[1]):
        sample = np.reshape(src[i,j], (-1,3)).astype(np.float32)
        retval, result, neighbors, dist = knn.find_nearest(sample, 1)
        dst[i,j] = colors[result[0,0]]

cv2.imshow('src', src)
cv2.imshow('dst', dst)
cv2.waitKey()

代码效果很好，结果如下所示。左边的图像是输入，右边的图像是输出。

然而，上面的循环非常低效并且使转换变慢。取代上面的循环最有效的Numpy操作是什么？

Answer 1

如果你想要一个简单的平方差测量（“这是欧几里得最接近的数字），这将有效。

计算差异

diff = ((src[:,:,:,None] - colors.T)**2).sum(axis=2)

（假设src为y，x，形状为3）

选择最接近的颜色索引：

index = diff.argmin(axis=2)

新图片：

out = colors[index]

如果你的颜色真的是组件值为0或0xff，你可以使用像

这样的东西

out = np.where(src>0x88, 0xff, 0)

Answer 2

您可以构建一个查找表。这样您就可以了解每种颜色的相应类别。它不必是256x256x256，你可以减少垃圾箱数量。

Answer 3

我设法使用下面的代码删除循环。代码运行速度非常快，与C ++版本几乎相似。

import numpy as np
import cv2

src = cv2.imread('objects.png')
src_flatten = np.reshape(np.ravel(src, 'C'), (-1, 3))
dst = np.zeros(src.shape, np.float32)

colors = np.array([[0x00, 0x00, 0x00],
                   [0xff, 0xff, 0xff],
                   [0xff, 0x00, 0x00],
                   [0x00, 0xff, 0x00],
                   [0x00, 0x00, 0xff]], dtype=np.float32)
classes = np.array([[0], [1], [2], [3], [4]], np.float32)

knn = cv2.KNearest()
knn.train(colors, classes)
retval, result, neighbors, dist = knn.find_nearest(src_flatten.astype(np.float32), 1)

dst = colors[np.ravel(result, 'C').astype(np.uint8)]
dst = dst.reshape(src.shape).astype(np.uint8)

cv2.imshow('src', src)
cv2.imshow('dst', dst)
cv2.waitKey()

代码生成的结果与以前一样正确，执行时间更短。