是否可以在shell脚本中区分灰度和（扫描）单色？

Question

我想要运行各种IM命令的数千张图像取决于它们属于哪三类：

• 颜色（通常颜色鲜艳）
• 灰度（从纸上扫描，＆＃34;白色＆＃34;通常有淡黄色调）
• 单色（扫描，带黄色调，如上所述）

可以从shell脚本中整理出来吗？

颜色示例＃1

灰度示例＃1

单色示例＃1和＃2

Answer 1

首先：你的问题的标题是误导性的。

  

“是否可以在shell脚本中区分灰度与（扫描）单色？”

直截了当identify告诉颜色空间和位深度

这是误导性的，因为您提供的所有示例图像实际上都在8-bit sRGB颜色空间中：

identify http://i.stack.imgur.com/lygAE.png \
         http://i.stack.imgur.com/H7vBP.png \
         http://i.stack.imgur.com/ZOCTK.png

http://i.stack.imgur.com/lygAE.png=>lygAE.png PNG 236x216 236x216+0+0 8-bit sRGB 127KB 0.000u 0:00.000
http://i.stack.imgur.com/H7vBP.png=>H7vBP.png[1] PNG 259x192 259x192+0+0 8-bit sRGB 86.2KB 0.000u 0:00.000
http://i.stack.imgur.com/ZOCTK.png=>ZOCTK.png[2] PNG 264x179 264x179+0+0 8-bit sRGB 86.7KB 0.000u 0:00.000

如您所见，identify命令（ImageMagick命令套件的一部分）可以轻松地告诉您图像的深度和色彩空间。

带有identify参数的

-format告知特定的图片属性

您可以在{em>'％escapes'中加入-format参数，以便只获取图片的特定属性：

• f ：用于图片文件名
• d ：用于图片的目录组件
• z ：用于图片深度
• r ：用于图像类和色彩空间

所以试试这个：

identify -format "%f %d :   %z %r\n"        \
         http://i.stack.imgur.com/lygAE.png \
         http://i.stack.imgur.com/H7vBP.png \
         http://i.stack.imgur.com/ZOCTK.png

结果：

lygAE.png //i.stack.imgur.com :   8 DirectClass sRGB 
H7vBP.png //i.stack.imgur.com :   8 DirectClass sRGB 
ZOCTK.png //i.stack.imgur.com :   8 DirectClass sRGB 

将一个图像转换为真实单色

现在向您展示一个真正的“单色”图像，让我们相应地转换您的一个样本：

convert                                    \
       -colorspace gray                    \
        http://i.stack.imgur.com/lygAE.png \
       +dither                             \
       -colors 2                           \
       -depth 1                            \
        bmp3:monochrome.bmp

和

identify -format "%f :  %z %r\n" monochrome.bmp http://i.stack.imgur.com/lygAE.png
  monochrome.bmp :  1 PseudoClass Gray
       lygAE.png :  8 DirectClass sRGB 

以下是各自的图片：

告诉独特颜色的数量

如果你有（如你所有）sRGB色彩空间中的所有图像都具有8位深度，那么理论上，每个图像可以有多达16.777.216（1600万）种颜色（也称为“TrueColor”） 。但是，大多数实际图像并未使用此频谱的全部范围，而“灰色”出现的图像实际上会使用更少数量的图像。

因此，ImageMagick还有另外两个'％escape'来返回有关图像的信息：

• %k ：返回图片中唯一颜色的数量。这是计算的值。 IM必须处理图像并分析它的每个像素才能得到这个数字。

所以这是一个命令：

identify -format "%f -  number of unique colors: %k\n" \
          http://i.stack.imgur.com/lygAE.png           \
          http://i.stack.imgur.com/H7vBP.png           \
          http://i.stack.imgur.com/ZOCTK.png

结果：

lygAE.png -  number of unique colors: 47583
H7vBP.png -  number of unique colors:  7987
ZOCTK.png -  number of unique colors:  5208

正如您所看到的，具有明显着色的图像使用的uniq颜色大约是“灰色”扫描的6倍。

然而，并非如此。例如，请参见此图片：

是颜色，不是吗？

我使用此命令生成它：

convert -size 100x100 \
         xc:red       \
         xc:green     \
         xc:blue      \
         xc:white     \
         xc:black     \
         xc:cyan      \
         xc:magenta   \
         xc:yellow    \
        +append       \
         out.png

您甚至可以通过简单地查看它来计算独特颜色的数量：8。

现在identify告诉了我们什么？

identify \
  -format "%f:\n \
            -- number of unique colors: %k\n \
            -- depth: %z\n \
            -- class/space: %r\n \
            -- image type: %[type]\n" \
   out.png

结果：

out.png:
             -- number of unique colors: 8
             -- depth: 8
             -- class/space: PseudoClass sRGB 
             -- image type: Palette

因此，少量的独特颜色并不一定证明图像是“灰色的”！

你必须稍微使用这些参数，看看你是否能想出一个能够帮助你正确分类现实世界“成千上万张图片”的组合。

也考虑图像统计

借助identify -format %... filename.suffix：

，您可以查看更多值

• %[gamma] ：图片伽玛值
• %[entropy] ：已计算：图像熵
• %[kurtosis] ：已计算：图像的峰度值统计
• %[max] ：已计算：图片的最大值统计信息
• %[mean] ：已计算：图片的平均值统计
• %[min] ：已计算：图片的最小值统计
• %[profile:icc] ：ICC个人资料信息
• %[profile:icm] ：ICM个人资料信息

最后提示：查看元数据！

以防您的图像被设备扫描，该设备留下了自己的识别元数据：检查它们！

命令行工具exiftool是一个很好的实用工具。

Answer 2

我会说色调和饱和度对于彩色图像尤其具有良好的判别力。单色或灰度图像非常不饱和，因此其平均饱和度往往较低，而对于彩色图像则较高。此外，彩色图像的色调（基本上是颜色）在不同颜色之间倾向于变化很大，而色调对于灰色或单色图像往往是相当恒定的值，因此色调的变化量应该是一个很好的衡量标准 - 即标准差。

我们可以使用ImageMagick计算平均饱和度，如下所示：

convert image.png -colorspace HSL -channel S -separate -format "%[mean]" info:

和Hue的标准偏差如下：

convert image.png -colorspace HSL -channel H -separate -format "%[standard-deviation]" info:

所以，如果我们把所有这些放在一个bash脚本中并在你的图像上运行它我们得到这个：

#!/bin/bash
for i in colour.png grey.png mono.png; do
   SatMean=$(convert $i -colorspace HSL -channel S -separate -format "%[mean]" info:)
   HueStdDev=$(convert $i -colorspace HSL -channel H -separate -format "%[standard-deviation]" info:)
   echo $i: Mean saturation: $SatMean, Hue Std-Dev: $HueStdDev
done

<强>输出

colour.png: Mean saturation: 17,807.9, Hue Std-Dev: 16,308.3
grey.png: Mean saturation: 7,019.67, Hue Std-Dev: 2,649.01
mono.png: Mean saturation: 14,606.1, Hue Std-Dev: 1,097.36

它看起来相当不同 - 为了清晰起见，我添加了千位分隔符。这些值的范围基于您的IM量化级别 - 我的是Q16，因此范围是0-65535。

将 mono 与 grey 区分开来比较困难。基本上，在 mono 图像中，您有一个更加明显的双模态直方图，而在灰色图像中，您有一个更多的连续直方图。我们可以像这样绘制直方图：

convert colour.png histogram:colorhist.png
convert grey.png histogram:greyhist.png
convert mono.png histogram:monohist.png

<强>更新

要区分灰度和单声道，我想查看直方图中间的像素，基本上忽略黑色（和黑色附近）和白色（和白人附近）。所以我可以做到这一点，将所有黑人和近黑人和白人以及白人附近设置成全黑：

convert image.png                                \
  -colorspace gray                               \
  -contrast-stretch 1%                           \
  -black-threshold 20%                           \
  -white-threshold 80% -fill black -opaque white \
  out.png

如果我现在克隆该图像并将克隆中的所有像素设置为黑色，那么我可以计算直方图斩波图像与黑色图像之间的差异

convert image.png                                     \
   -colorspace gray                                   \
   -contrast-stretch 1%                               \
   -black-threshold 20%                               \
   -white-threshold 80% -fill black -opaque white     \
   \( +clone -evaluate set 0 \)                       \
   -metric ae -compare -format "%[distortion]" info:

现在，如果我计算图像中的像素总数，我可以推导出中间色调中像素的百分比，并用它来衡量图像是非常灰色还是缺少中间色调。

#!/bin/bash
for i in colour.png grey.png mono.png; do
   SatMean=$(convert $i -colorspace HSL -channel S -separate -format "%[mean]" info:)
   HueStdDev=$(convert $i -colorspace HSL -channel H -separate -format "%[standard-deviation]" info:)
   NumMidTones=$(convert $i -colorspace gray -contrast-stretch 1% -black-threshold 20% -white-threshold 80% -fill black -opaque white \( +clone -evaluate set 0 \) -metric ae -compare -format "%[distortion]" info:)
   NumPixels=$(convert $i -ping -format "%[fx:w*h]" info:)
   PctMidTones=$((NumMidTones*100/NumPixels))
   echo $i: Mean saturation: $SatMean, Hue Std-Dev: $HueStdDev, PercentMidTones: $PctMidTones
done

<强>输出

colour.png: Mean saturation: 17807.9, Hue Std-Dev: 16308.3, PercentMidTones: 70
grey.png: Mean saturation: 7019.67, Hue Std-Dev: 2649.01, PercentMidTones: 39
mono.png: Mean saturation: 14606.1, Hue Std-Dev: 1097.36, PercentMidTones: 27