使用 K-Nearest 聚类颜色的有效方法答案

【问题标题】：Efficient way to cluster colors using K-Nearest使用 K-Nearest 聚类颜色的有效方法
【发布时间】：2014-09-01 08:28:51
【问题描述】：

我正在尝试将图像上的颜色聚集到预定义的类（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。左图为输入，右图为输出。

但是上面的循环效率非常低，并且转换速度很慢。替换上述循环的最有效的 Numpy 操作是什么？

【问题讨论】：

标签： python opencv numpy machine-learning

【解决方案1】：

我设法使用下面的代码删除了循环。代码运行速度非常快，几乎和C++版本差不多。

import numpy as np
import cv2

src = cv2.imread('objects.png')
src_flatten = np.reshape(np.ravel(src, 'C'), (-1, 3))
dst = np.zeros(src.shape, np.float32)

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)

knn = cv2.KNearest()
knn.train(colors, classes)
retval, result, neighbors, dist = knn.find_nearest(src_flatten.astype(np.float32), 1)

dst = colors[np.ravel(result, 'C').astype(np.uint8)]
dst = dst.reshape(src.shape).astype(np.uint8)

cv2.imshow('src', src)
cv2.imshow('dst', dst)
cv2.waitKey()

代码像以前一样生成正确的结果，执行时间更快。

【讨论】：

【解决方案2】：

您可以建立一个查找表。这样你就知道每种颜色对应的类。它不一定是 256x256x256，您可以减少 bin 的数量。

【讨论】：

【解决方案3】：

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)

新图片：

out = colors[index]

如果你的颜色真的要具有 0 或 0xff 的分量值，你可以使用类似的东西

out = np.where(src>0x88, 0xff, 0)

【讨论】：

后一个建议还会为您提供 0xff 和 0 的所有 8 种颜色组合，例如 (0xff, 0xff, 0)，而不仅仅是您指定的 5 种。