我想从图像中删除抗锯齿。此代码将从图像中获取4种主要颜色,将每个像素与4种主要颜色进行比较,然后分配最接近的颜色。
import numpy as np
from PIL import Image
image = Image.open('pattern_2.png')
image_nd = np.array(image)
image_colors = {}
for row in image_nd:
for pxl in row:
pxl = tuple(pxl)
if not image_colors.get(pxl):
image_colors[pxl] = 1
else:
image_colors[pxl] += 1
sorted_image_colors = sorted(image_colors, key=image_colors.get, reverse=True)
four_major_colors = sorted_image_colors[:4]
def closest(colors, color):
colors = np.array(colors)
color = np.array(color)
distances = np.sqrt(np.sum((colors - color) ** 2, axis=1))
index_of_smallest = np.where(distances == np.amin(distances))
smallest_distance = colors[index_of_smallest]
return smallest_distance[0]
for y, row in enumerate(image_nd):
for x, pxl in enumerate(row):
image_nd[y, x] = closest(four_major_colors, image_nd[y, x])
aliased = Image.fromarray(image_nd)
aliased.save("pattern_2_al.png")
如您所见,颜色之间的边界并不完美。
这是我追求的结果:
(图片托管网站似乎压缩了图片,并且无法正确显示“混淆”图片)
答案 0 :(得分:3)
这里的主要问题位于您的closest
方法中:
def closest(colors, color):
colors = np.array(colors)
color = np.array(color)
distances = np.sqrt(np.sum((colors - color) ** 2, axis=1))
colors
和color
都成为uint8
类型的NumPy数组。现在,当减去uint8
值时,您将不会得到负值,但是将发生整数下溢,从而导致值接近255
。因此,然后计算出的distances
是错误的,最终导致错误的颜色选择。
因此,最快的解决方法是将两个变量都转换为int32
:
def closest(colors, color):
colors = np.array(colors).astype(np.int32)
color = np.array(color).astype(np.int32)
distances = np.sqrt(np.sum((colors - color) ** 2, axis=1))
此外,利用NumPy的矢量化功能可能会很有用。为您的closest
方法考虑以下方法:
def closest(colors, image):
colors = np.array(colors).astype(np.int32)
image = image.astype(np.int32)
distances = np.argmin(np.array([np.sqrt(np.sum((color - image) ** 2, axis=2)) for color in colors]), axis=0)
return colors[distances].astype(np.uint8)
所以,与其使用
迭代所有像素,for y in np.arange(image_nd.shape[0]):
for x in np.arange(image_nd.shape[1]):
image_nd[y, x] = closest(four_major_colors, image_nd[y, x])
您可以简单地传递整个图像:
image_nd = closest(four_major_colors, image_nd)
使用给定的图像,我的机器的速度提高了100倍。当然,找到RGB直方图值也可以进行优化。 (不幸的是,我对Python词典的经验还不是很好...)
无论如何-希望能有所帮助!