我正在尝试将图像上的颜色聚类到预定义的类(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()
代码运行良好,结果如下所示。左边的图像是输入,右边的图像是输出。
但是上面的循环效率非常低并且使得转换很慢。替代上述循环的最有效的 Numpy 操作是什么?
最佳答案
如果您想要一个简单的平方差度量(“这是欧几里得最接近的数字),这将起作用。
计算差异
diff = ((src[:,:,:,None] - colors.T)**2).sum(axis=2)
(假设src
的形状为y,x,3)
选择最接近的颜色索引:
index = diff.argmin(axis=2)
新图像:
out = colors[index]
如果您的颜色确实具有 0 或 0xff 的分量值,您可以使用类似的内容
out = np.where(src>0x88, 0xff, 0)
关于python - 使用 K-Nearest 聚类颜色的有效方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24685436/