如何使用 OpenCV 在 Python 中找到图像的平均颜色？

Question

我试过这个代码：

import cv2
image = cv2.imread("sample.jpg")
pixel = image[200, 550]
print pixel

但我收到错误如下：

'Nonetype' 没有属性错误getitem

执行第三行代码后显示此错误。

Answer 1

如何修复错误

发生此错误的潜在原因有两个：

1. 文件名拼写错误。
2. 图像文件不在当前工作目录中。

要解决此问题，您应该确保文件名拼写正确（为了以防万一，请进行区分大小写的检查）并且图像文件位于当前工作目录中（这里有两个选项：您可以更改 IDE 中的当前工作目录或指定文件的完整路径）。

平均颜色与主色

然后要计算“平均颜色”，您必须确定您的意思。 在灰度图像中，它只是整个图像灰度的平均值。 颜色通常通过 3 维向量表示，而灰度级是标量。

平均颜色是所有像素的总和除以像素数。 但是，这种方法可能会产生与最突出的视觉颜色不同的颜色。 您可能真正想要的是主色而不是平均色。

执行

我们慢慢看代码。 我们首先导入必要的模块并读取图像：

import cv2
import numpy as np
from skimage import io

img = io.imread('https://i.stack.imgur.com/DNM65.png')[:, :, :-1]

然后我们可以按照类似于@Ruan B. 提出的方法计算每个彩色通道的平均值：

average = img.mean(axis=0).mean(axis=0)

接下来，我们应用k-means 聚类来创建具有图像最具代表性的颜色的调色板（在这个玩具示例中n_colors设置为5 ）。

pixels = np.float32(img.reshape(-1, 3))

n_colors = 5
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 200, .1)
flags = cv2.KMEANS_RANDOM_CENTERS

_, labels, palette = cv2.kmeans(pixels, n_colors, None, criteria, 10, flags)
_, counts = np.unique(labels, return_counts=True)

最后，主色是量化图像上最常出现的调色板颜色：

dominant = palette[np.argmax(counts)]

结果比较

为了说明两种方法之间的差异，我使用了以下示例图像：

获得的平均颜色值，即其分量是三个色度通道均值的颜色，与通过 k-means 聚类计算的主色有很大不同：

In [30]: average
Out[30]: array([91.63179156, 69.30190754, 58.11971896])

In [31]: dominant
Out[31]: array([179.3999  ,  27.341282,   2.294441], dtype=float32)

让我们看看这些颜色如何更好地理解两种方法之间的差异。 在下图的左侧部分，它显示了平均颜色。 很明显，计算出的平均颜色没有正确描述原始图像的颜色内容。 实际上，原始图像中没有具有该颜色的单个像素。 该图的右侧部分显示了按重要性（出现频率）降序从上到下排序的五种最具代表性的颜色。 这个调色板清楚地表明主色是红色，这与原始图像中最大的均匀颜色区域对应于红色乐高积木的事实是一致的。

这是用于生成上图的代码：

import matplotlib.pyplot as plt

avg_patch = np.ones(shape=img.shape, dtype=np.uint8)*np.uint8(average)

indices = np.argsort(counts)[::-1]   
freqs = np.cumsum(np.hstack([[0], counts[indices]/float(counts.sum())]))
rows = np.int_(img.shape[0]*freqs)

dom_patch = np.zeros(shape=img.shape, dtype=np.uint8)
for i in range(len(rows) - 1):
    dom_patch[rows[i]:rows[i + 1], :, :] += np.uint8(palette[indices[i]])
    
fig, (ax0, ax1) = plt.subplots(1, 2, figsize=(12,6))
ax0.imshow(avg_patch)
ax0.set_title('Average color')
ax0.axis('off')
ax1.imshow(dom_patch)
ax1.set_title('Dominant colors')
ax1.axis('off')
plt.show(fig)

TL; DR 答案

总之，尽管平均颜色的计算 - 正如@Ruan B. 的回答中所提议的 - 是正确的，但产生的结果可能无法充分代表图像的颜色内容。 一种更明智的方法是通过矢量量化（聚类）来确定主色。

Answer 2

我能够通过使用以下方法获得平均颜色：

import cv2
import numpy
myimg = cv2.imread('image.jpg')
avg_color_per_row = numpy.average(myimg, axis=0)
avg_color = numpy.average(avg_color_per_row, axis=0)
print(avg_color)

结果：

[ 197.53434769  217.88439451  209.63799938]

我参考的很棒的资源

Answer 3

另一种使用K-Means Clustering来确定图像中主色的方法sklearn.cluster.KMeans()

---

输入图像

结果

使用n_clusters=5 ，这里是最主要的颜色和百分比分布

[76.35563647 75.38689122 34.00842057] 7.92%
[200.99049989  31.2085501   77.19445073] 7.94%
[215.62791291 113.68567694 141.34945328] 18.85%
[223.31013152 172.76629675 188.26878339] 29.26%
[234.03101989 217.20047979 229.2345317 ] 36.03%

每个颜色簇的可视化

与n_clusters=10相似，

[161.94723762 137.44656853 116.16306634] 3.13%
[183.0756441    9.40398442  50.99925105] 4.01%
[193.50888866 168.40201684 160.42104169] 5.78%
[216.75372674  60.50807092 107.10928817] 6.82%
[73.18055782 75.55977818 32.16962975] 7.36%
[226.25900564 108.79652434 147.49787087] 10.44%
[207.83209569 199.96071651 199.48047163] 10.61%
[236.01218943 151.70521203 182.89174295] 12.86%
[240.20499237 189.87659523 213.13580544] 14.99%
[235.54419627 225.01404087 235.29930545] 24.01%

import cv2, numpy as np
from sklearn.cluster import KMeans

def visualize_colors(cluster, centroids):
    # Get the number of different clusters, create histogram, and normalize
    labels = np.arange(0, len(np.unique(cluster.labels_)) + 1)
    (hist, _) = np.histogram(cluster.labels_, bins = labels)
    hist = hist.astype("float")
    hist /= hist.sum()

    # Create frequency rect and iterate through each cluster's color and percentage
    rect = np.zeros((50, 300, 3), dtype=np.uint8)
    colors = sorted([(percent, color) for (percent, color) in zip(hist, centroids)])
    start = 0
    for (percent, color) in colors:
        print(color, "{:0.2f}%".format(percent * 100))
        end = start + (percent * 300)
        cv2.rectangle(rect, (int(start), 0), (int(end), 50), \
                      color.astype("uint8").tolist(), -1)
        start = end
    return rect

# Load image and convert to a list of pixels
image = cv2.imread('1.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
reshape = image.reshape((image.shape[0] * image.shape[1], 3))

# Find and display most dominant colors
cluster = KMeans(n_clusters=5).fit(reshape)
visualize = visualize_colors(cluster, cluster.cluster_centers_)
visualize = cv2.cvtColor(visualize, cv2.COLOR_RGB2BGR)
cv2.imshow('visualize', visualize)
cv2.waitKey()

Answer 4

如果将图像放入 OpenCV 的 BGR 格式，则可以运行以下代码，将每个像素放入以下四种分类之一：

蓝绿红灰

在接下来的代码中，我们处理 Tonechas 使用的图像，

彩色乐高积木

程序

import cv2 as cv
import numpy as np
from imageio import imread

image = imread('https://i.stack.imgur.com/DNM65.png')
img  = cv.cvtColor(np.array(image), cv.COLOR_RGB2BGR)
rows, cols, _ = img.shape

color_B = 0
color_G = 0
color_R = 0
color_N = 0 # neutral/gray color

for i in range(rows):
    for j in range(cols):
        k = img[i,j]
        if k[0] > k[1] and k[0] > k[2]:
            color_B = color_B + 1
            continue
        if k[1] > k[0] and k[1] > k[2]:
            color_G = color_G + 1
            continue        
        if k[2] > k[0] and k[2] > k[1]:
            color_R = color_R + 1
            continue
        color_N = color_N + 1

pix_total = rows * cols
print('Blue:', color_B/pix_total, 'Green:', color_G/pix_total, 'Red:',  color_R/pix_total, 'Gray:',  color_N/pix_total)

输出

Blue: 0.2978447577378059 Green: 0.21166979188369564 Red: 0.48950158575827024 Gray: 0.0009838646202282567