对于一个有趣的项目,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。由于我想考虑颜色的“可见度”,仅计算像素的色调是不够的(例如,完美的黑色将计为红色,因为其色调为0°)。我提出了一个IMO的公式,足以满足我的项目。
目前我执行以下操作:
公式为color_visibility = sqrt(saturation * value)
。因此,全红RGB=255,0,0; HSV=0,1,1
会导致1
,例如浅红色RGB=255,128,128; HSV=0,0.5,1
会产生0.70
。
这是我使用的(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,代码变得非常慢。
我的问题是,如何在没有dict和for-loop的情况下计算我的公式?也许直接用numpy?
答案 0 :(得分:2)
您正在寻找的神奇之处在于np.bincount
,因为它使用h
值作为垃圾箱非常直接地转换为循环版本 -
H,S,V = pixels.T
d_arr = np.bincount(H, ((S/255.0) * (V/255.0))**0.5 )
请注意,结果数组可能包含零值计数