数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学使用OpenCV Python进行图像颜色量化？
在颜色量化过程中，图像中使用的颜色数量会减少。这样做的一个原因是为了减少内存占用。有时，某些设备只能产生有限数量的颜色。在这些情况下，会执行颜色量化。我们使用cv2.kmeans()来应用k均值聚类进行颜色量化。
步骤
要使用K均值聚类在图像中实现颜色量化，您可以按照以下步骤操作：
导入所需的库OpenCV和NumPy。确保您已经安装了它们。
使用cv2.imread()方法读取两个输入图像。指定图像的完整路径。将图像重新整形为Mx3大小的数组（M是图像中像素的总数）。将图像dtype转换为np.float32。
定义迭代终止条件（criteria）、簇的数量（K）并应用K均值聚类算法（cv2.kmeans()）。传递标志cv2.KMEANS_RANDOM_CENTERS或cv.KMEANS_PP_CENTERS以指定如何获取初始中心。
现在转换回uint8，并通过将质心值应用于所有像素来创建具有指定颜色数量（K）的结果图像。
显示结果图像。
让我们来看一些使用K均值聚类在图像中实现颜色量化的示例。
输入图像
我们将在下面的示例中使用此图像作为输入文件。
示例
在下面的Python代码中，我们使用K均值聚类算法（K=8）对输入图像进行颜色量化。
# import required libraries import numpy as np import cv2 # read input image img = cv2.imread('horizon.jpg') z = img.reshape((-1,3)) # convert to np.float32 z = np.float32(z) # define criteria, number of clusters(K) and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) K = 8 ret,label,center=cv2.kmeans(z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS) # Convert back into uint8, and make original image center = np.uint8(center) res = center[label.flatten()] res2 = res.reshape((img.shape)) # display the image cv2.imshow('Image with K=8',res2) cv2.waitKey(0) cv2.destroyAllWindows()
输出
运行上面的Python程序后，它将生成以下输出窗口：
请注意，在上面的输出图像中，使用的颜色数量减少到8，因为我们使用了K=8。
示例
在下面的Python代码中，我们使用K均值聚类算法和不同的K值（K=2，K=5和K=8）对输入图像进行颜色量化。
# import required libraries import numpy as np import cv2 import matplotlib.pyplot as plt # read input image img = cv2.imread('horizon.jpg') Z = img.reshape((-1,3)) # convert to np.float32 Z = np.float32(Z) # define criteria, number of clusters(K) and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) def colorQuant(Z, K, criteria): ret,label,center=cv2.kmeans(Z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS) # Now convert back into uint8, and make original image center = np.uint8(center) res = center[label.flatten()] res2 = res.reshape((img.shape)) return res2 res1 = colorQuant(Z, 2, criteria) res2 = colorQuant(Z, 5, criteria) res3 = colorQuant(Z, 8, criteria) plt.subplot(221),plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(222),plt.imshow(cv2.cvtColor(res1, cv2.COLOR_BGR2RGB)) plt.title('K=2'), plt.xticks([]), plt.yticks([]) plt.subplot(223),plt.imshow(cv2.cvtColor(res2, cv2.COLOR_BGR2RGB)) plt.title('K=4'), plt.xticks([]), plt.yticks([]) plt.subplot(224),plt.imshow(cv2.cvtColor(res3, cv2.COLOR_BGR2RGB)) plt.title('K=8'), plt.xticks([]), plt.yticks([]) plt.show()
输出
执行上述代码后，将产生以下输出：
请注意不同输出图像中存在的颜色差异。较高的K值更接近原始图像。
更新于：2022年12月5日
3K+ 次查看
广告