【发布时间】:2018-07-16 16:27:57
【问题描述】:
对于我的工作,我需要将 JPG 中的伪彩色 RGB 值替换为灰度进行处理。 “颜色”图像具有特定范围的 RGB 颜色(20 或 255,取决于原点),需要链接到灰度值才能对输出图像进行一些测量。 使用原始 RGB 值非常困难,因为指定的范围只能在 PNG 或 tiff 格式中正常工作,但转换为 JPG 会创建一些与预期 RGB 值有点偏离的 RGB 值,这使得我现有的分析毫无用处.
我在其中一个答案中找到了这段不错的代码,作为将某个点的颜色四舍五入到字典中最接近的相似颜色的解决方案。
def distance(c1, c2):
(r1,g1,b1) = c1
(r2,g2,b2) = c2
return math.sqrt((r1 - r2)**2 + (g1 - g2) ** 2 + (b1 - b2) **2)
colors = list(rgb_code_dictionary.keys())
closest_colors = sorted(colors, key=lambda color: distance(color, point))
closest_color = closest_colors[0]
code = rgb_code_dictionary[closest_color]
Python PIL - Finding Nearest Color (Rounding Colors)
rgb_code_dictionary 被替换为 rgb 值的字典,并带有我想应用的相应灰度值。
这真的很棒,它产生了我需要的输出。 但是,如果将此代码应用于完整图像(每张图像只需要 18 秒,但我有几千张图像要处理),则此代码会非常慢,因为我需要将每个像素提供给函数以获得最接近的匹配。
我发现另一段代码在替换颜色方面工作得非常快:
Replacing RGB values in numpy array by integer is extremely slow
# Extract color codes and their IDs from input dict
colors = np.array(_color_codes.keys())
color_ids = np.array(_color_codes.values())
# Initialize output array
result = np.empty((img_arr.shape[0],img_arr.shape[1]),dtype=int)
result[:] = -1
# Finally get the matches and accordingly set result locations
# to their respective color IDs
R,C,D = np.where((img_arr == colors[:,None,None,:]).all(3))
result[C,D] = color_ids[R]
但只有当字典中的 RGB 值与图像中的 RGB 值完全匹配时,此方法才有效。理想情况下,我会将两者合并在一起,以获得快速可靠的功能来替换颜色。 但是我在将第一段代码翻译成 numpy 中的“where”语句时遇到了问题,以加快将 RGB 值与灰度值交换的整个过程。
由于我不是受过教育的程序员(而且对 python 很陌生),所以我很难解决这个问题。在许多论坛上搜索并没有帮助找到一个好的解决方案(我理解并且可以自己实施),因此我提出了问题。
是否有可用的功能来做我想做的事情?或者有没有办法将这两个函数合并为一个,这样转换既快速又正确?
非常感谢任何帮助(但如果可能,请保持简单一点:-))
谢谢
编辑: 我最终得到了另一个解决方案,因为我在安装 Mark Setchell 提出的解决方案时遇到了一些困难。 我非常确信使用 ImageMAgick 是解决我特定问题的最佳解决方案,遗憾的是,由于我的 PC 上的安全设置,我无法安装该解决方案。
我想出的解决方案基本上是将彩色图像转换为灰度,然后对每个像素应用另一个灰度值,其中新的灰度将跨越旧灰度值的 +/- 6 个灰度值。 (例如,从 242 到 255 的所有内容都将替换为 255) 这个解决方案的运行速度并不快,也没有给出最好的结果,但目前看来,在不久的将来,这一切似乎都是可行的。
感谢您的回答,它帮助我重新思考了这个过程。
【问题讨论】:
标签: python numpy opencv rgb grayscale