使用Python，OpenCV，K-Means聚类查找图像中最主要的颜色

使用Python，OpenCV，K-Means聚类查找图像中最主要的颜色

分别把跑图聚类选取1, 2, 3，4, 5, 6, 7，8, 9种主要颜色并绘制colormap颜色图;

效果图

分别把跑图聚类选取3，4, 5，7，9种主要颜色并绘制colormap颜色图，跑图和颜色图汇总如下：

分别把跑图聚类选取1，2, 4，6，8种主要颜色并绘制colormap颜色图，跑图和颜色图汇总如下：

分别聚类1-10种颜色得到的主要颜色排布如下：

换一张绚烂的落日图，分别聚类1-10种颜色得到的主要颜色排布如下：

源码见如下链接:

https://blog.csdn.net/qq_40985985/article/details/109738677?spm=1011.2415.3001.5331

# python color_kmeans.py --image images/cactus.jpg --clusters 3
# 导入必要的包
import argparse

import cv2
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans


def centroid_histogram(clt):
    # 获取不同聚簇的个数，根据每个聚簇的像素数生成直方图
    # k均值算法将图像中的每个像素分配给最近的聚类。
    numLabels = np.arange(0, len(np.unique(clt.labels_)) + 1)
    (hist, _) = np.histogram(clt.labels_, bins=numLabels)

    # 对直方图进行归一化，使得总和为1
    hist = hist.astype("float")
    hist /= hist.sum()

    # 返回直方图
    return hist


# plot_colors函数需要两个参数：
# hist，它是从centroid_histogram函数生成的直方图；
# centroids，是由k-means算法生成的质心（集群中心）的列表。
def plot_colors(hist, centroids):
    # 初始化代表相对频率的每种颜色的条形图
    # 定义了一个300×50像素的矩形，以容纳图像中最主要的颜色
    bar = np.zeros((50, 300, 3), dtype="uint8")
    startX = 0

    # 遍历每一个聚簇的百分比及颜色
    for (percent, color) in zip(hist, centroids):
        # 绘制每一聚簇的相对百分比
        endX = startX + (percent * 300)

        cv2.rectangle(bar, (int(startX), 0), (int(endX), 50),
                      color.astype("uint8").tolist(), -1)
        startX = endX

    # 返回条形图
    return bar


# 构建命令行参数和解析
# --image 原始图像路径
# --clusters 期望生成的簇数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=False,
                # default='bm_sports/sports/sporthealth-3-20250722-235354.jpg',
                default='bm_sports/sports/IMG_20250703_194927.jpg',
                help="Path to the image")
ap.add_argument("-c", "--clusters", required=False, default=5, type=int,
                help="# of clusters")
args = vars(ap.parse_args())

# 加载图像，转换BGR-->RGB 以在matplotlib展示
image = cv2.imread(args["image"])
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 展示图像
plt.figure(200 * 100)
plt.axis("off")
plt.imshow(image)

# 将NumPy数组重塑为RGB像素列表
image = image.reshape((image.shape[0] * image.shape[1], 3))


def plot_subplots(kmeans_list, bar_list):
    plt.figure()
    width_col = 1
    if len(bar_list) > 5:
        width_col = 2
    for i in range(len(bar_list)):
        plt.subplot(len(bar_list)//width_col, width_col, i + 1)
        plt.imshow(bar_list[i])  # 通过for循环逐个显示图像
        plt.title('kmeans=' + str(kmeans_list[i]))
        plt.xticks([])  # 去掉x轴的刻度
        plt.yticks([])  # 去掉y轴的刻度
    plt.show()


bar_list = []
kmeans_list = [3, 4, 5, 7, 9]
kmeans_list = [1, 2, 4, 6, 8]
kmeans_list = list(range(1, 11))
for cluster in kmeans_list:
    args['clusters'] = cluster

    # 使用scikit-learn中的K-means实现来避免重新实现该算法
    # 使用K-means查找图像中最主要的颜色
    # 使用期望获取的聚簇数，初始化局KMeans类，调用fit()方法将像素列表聚集在一起
    clt = KMeans(n_clusters=args["clusters"])
    clt.fit(image)

    # 构建聚簇直方图
    # 建立图表以代表每一种颜色所对应的像素数
    hist = centroid_histogram(clt)
    bar = plot_colors(hist, clt.cluster_centers_)

    bar_list.append(bar)

plot_subplots(kmeans_list, bar_list)