我正在寻找一种方法，使用python在图像中找到最主要的颜色/色调。 RGB的平均阴影或最常见的颜色都可以。我查看了Python Imaging库，在他们的手册中找不到与我想要的内容有关的内容，也简要介绍了VTK。
然而，我确实找到了一个可以满足我需要的PHP脚本，here（需要登录才能下载）。该脚本似乎将图像大小调整为150 * 150，以显示主色。然而，在那之后，我相当失落。我确实考虑过写一些可以将图像调整到一个小尺寸的东西，然后检查每个其他像素左右它的图像，虽然我想这会非常低效（尽管将这个想法作为C python模块实现可能是一个想法）。 / p>然而，在所有这些之后，我仍然感到难过。所以我转向你，所以。是否有一种简单有效的方法来查找图像中的主色。
答案 0 :(得分：52)
以下是使用Pillow和Scipy's cluster package的代码。
为简单起见，我将文件名硬编码为“image.jpg”。调整图像大小是为了提高速度：如果您不介意等待，请注释调整大小调用。当在sample image of blue peppers上运行时，它通常表示主色是＃d8c865，它大致对应于两个辣椒左下方的亮黄色区域。我说“通常”是因为使用的clustering algorithm具有一定程度的随机性。有多种方法可以改变这种情况，但为了您的目的，它可能很适合。 （如果您需要确定性结果，请查看kmeans2（）变体上的选项。）
from __future__ import print_function
import binascii
import struct
from PIL import Image
import numpy as np
import scipy
import scipy.misc
import scipy.cluster
NUM_CLUSTERS = 5
print('reading image')
im = Image.open('image.jpg')
im = im.resize((150, 150)) # optional, to reduce time
ar = np.asarray(im)
shape = ar.shape
ar = ar.reshape(scipy.product(shape[:2]), shape[2]).astype(float)
print('finding clusters')
codes, dist = scipy.cluster.vq.kmeans(ar, NUM_CLUSTERS)
print('cluster centres:\n', codes)
vecs, dist = scipy.cluster.vq.vq(ar, codes) # assign codes
counts, bins = scipy.histogram(vecs, len(codes)) # count occurrences
index_max = scipy.argmax(counts) # find most frequent
peak = codes[index_max]
colour = binascii.hexlify(bytearray(int(c) for c in peak)).decode('ascii')
print('most frequent is %s (#%s)' % (peak, colour))
注意：当我将群集数量扩大到5到10或15时，它经常会产生绿色或蓝色的结果。给定输入图像，那些也是合理的结果......我不知道哪个颜色在该图像中确实占主导地位，所以我不会对算法造成错误！
还有一个小小的好处：只用N种最常用的颜色保存缩小尺寸的图像：
# bonus: save image using only the N most common colours
import imageio
c = ar.copy()
for i, code in enumerate(codes):
c[scipy.r_[scipy.where(vecs==i)],:] = code
imageio.imwrite('clusters.png', c.reshape(*shape).astype(np.uint8))
print('saved clustered image')
答案 1 :(得分：13)
Python Imaging Library在Image对象上有方法getcolors：
im.getcolors（） =＆gt;列表（计数， 颜色）元组或无
我猜你仍然可以在此之前尝试调整图像大小，看看它是否表现得更好。
答案 2 :(得分：7)
如果您仍在寻找答案，那么这对我有用，虽然效率不高：
from PIL import Image
def compute_average_image_color(img):
width, height = img.size
r_total = 0
g_total = 0
b_total = 0
count = 0
for x in range(0, width):
for y in range(0, height):
r, g, b = img.getpixel((x,y))
r_total += r
g_total += g
b_total += b
count += 1
return (r_total/count, g_total/count, b_total/count)
img = Image.open('image.png')
#img = img.resize((50,50)) # Small optimization
average_color = compute_average_image_color(img)
print(average_color)
答案 3 :(得分：6)
您可以使用PIL在每个维度中将图像重复调整大小2倍，直到达到1x1。我不知道PIL使用什么算法通过大因子进行缩减，因此在单个调整大小中直接转换为1x1可能会丢失信息。它可能不是最有效的，但它会给你图像的“平均”颜色。
答案 4 :(得分：3)
要添加到Peter的答案，如果PIL为您提供模式为“P”的图像或几乎任何不是“RGBA”的模式，则需要应用alpha蒙版将其转换为RGBA。您可以通过以下方式轻松完成：
if im.mode == 'P':
im.putalpha(0)
答案 5 :(得分：3)
尝试Color-thief。它基于PIL，效果很棒。
安装
pip install colorthief
用法
from colorthief import ColorThief
color_thief = ColorThief('/path/to/imagefile')
# get the dominant color
dominant_color = color_thief.get_color(quality=1)
它也可以找到颜色调色板
palette = color_thief.get_palette(color_count=6)
答案 6 :(得分：2)
不必像彼得建议的那样使用k均值来找到主要颜色。这使一个简单的问题复杂化了。您还受到选择的群集数量的限制，因此基本上，您需要了解所要查找的内容。
正如您所提到的和zvone的建议，使用Pillow库可以快速找到最常见/最主要的颜色。我们只需要按像素数对它们进行排序即可。
from PIL import Image
def dominant_color(filename):
#Resizing parameters
width, height = 150,150
image = Image.open(filename)
image = image.resize((width, height),resample = 0)
#Get colors from image object
pixels = image.getcolors(width * height)
#Sort them by count number(first element of tuple)
sorted_pixels = sorted(pixels, key=lambda t: t[0])
#Get the most frequent color
dominant_color = sorted_pixels[-1][1]
return dominant_color
唯一的问题是，getcolors()方法在颜色数量大于256时返回None。您可以通过调整原始图像的大小来处理它。
总而言之，这可能不是最精确的解决方案，但可以完成工作。
答案 7 :(得分：2)
您可以通过许多不同的方式执行此操作。而且，您真的不需要scipy和k均值，因为当您调整图像大小或将图像缩小到特定的调色板时，Pillow内部已经为您完成了这项工作。
解决方案1 ：将图片调整为1像素大小。
def get_dominant_color(pil_img):
img = pil_img.copy()
img.convert("RGB")
img.resize((1, 1), resample=0)
dominant_color = img.getpixel((0, 0))
return dominant_color
解决方案2 ：将图像颜色减少为调色板
def get_dominant_color(pil_img, palette_size=16):
# Resize image to speed up processing
img = pil_img.copy()
img.thumbnail((100, 100))
# Reduce colors (uses k-means internally)
paletted = img.convert('P', palette=Image.ADAPTIVE, colors=palette_size)
# Find the color that occurs most often
palette = paletted.getpalette()
color_counts = sorted(paletted.getcolors(), reverse=True)
palette_index = color_counts[0][1]
dominant_color = palette[palette_index*3:palette_index*3+3]
return dominant_color
两种解决方案均得出相似的结果。后一种解决方案可能会为您提供更高的准确性，因为我们在调整图像大小时会保持宽高比。此外，由于您可以调整pallete_size，因此您将获得更多控制权。
答案 8 :(得分：1)
下面是一个基于c ++ Qt的例子来猜测主要的图像颜色。您可以使用PyQt并将其转换为Python等效项。
#include <Qt/QtGui>
#include <Qt/QtCore>
#include <QtGui/QApplication>
int main(int argc, char** argv)
{
QApplication app(argc, argv);
QPixmap pixmap("logo.png");
QImage image = pixmap.toImage();
QRgb col;
QMap<QRgb,int> rgbcount;
QRgb greatest = 0;
int width = pixmap.width();
int height = pixmap.height();
int count = 0;
for (int i = 0; i < width; ++i)
{
for (int j = 0; j < height; ++j)
{
col = image.pixel(i, j);
if (rgbcount.contains(col)) {
rgbcount[col] = rgbcount[col] + 1;
}
else {
rgbcount[col] = 1;
}
if (rgbcount[col] > count) {
greatest = col;
count = rgbcount[col];
}
}
}
qDebug() << count << greatest;
return app.exec();
}
答案 9 :(得分：0)
这是我根据彼得·汉森的解决方案改编的。有所不同，因为它使用kmeans ++来选择初始聚类中心，这似乎可以提供更好的结果。您也可以为确定性输出添加random_state。
import scipy.cluster
import sklearn.cluster
import numpy
from PIL import Image
def dominant_colors(image): # PIL image input
num_clusters = 10
image = image.resize((150, 150)) # optional, to reduce time
ar = numpy.asarray(image)
shape = ar.shape
ar = ar.reshape(numpy.product(shape[:2]), shape[2]).astype(float)
kmeans = sklearn.cluster.KMeans(
n_clusters=num_clusters,
init="k-means++",
max_iter=20,
random_state=1000
).fit(ar)
codes = kmeans.cluster_centers_
vecs, dist = scipy.cluster.vq.vq(ar, codes) # assign codes
counts, bins = numpy.histogram(vecs, len(codes)) # count occurrences
colors = []
for index in numpy.argsort(counts)[::-1]:
colors.append(tuple([int(code) for code in codes[index]]))
return colors # returns colors in order of dominance
答案 10 :(得分：0)
这是一个带有函数compute_average_image_color()的完整脚本。
只需复制并粘贴它，然后更改图像的路径。
我的图片是 img_path='./dir/image001.png'
#AVERANGE COLOR, MIN, MAX, STANDARD DEVIATION
#SELECT ONLY NOT TRANSPARENT COLOR
from PIL import Image
import sys
import os
import os.path
from os import path
import numpy as np
import math
def compute_average_image_color(img_path):
if not os.path.isfile(img_path):
print(path_inp_image, 'DONT EXISTS, EXIT')
sys.exit()
#load image
img = Image.open(img_path).convert('RGBA')
img = img.resize((50,50)) # Small optimization
#DEFINE SOME VARIABLES
width, height = img.size
r_total = 0
g_total = 0
b_total = 0
count = 0
red_list=[]
green_list=[]
blue_list=[]
#READ AND CHECK PIXEL BY PIXEL
for x in range(0, width):
for y in range(0, height):
r, g, b, alpha = img.getpixel((x,y))
if alpha !=0:
red_list.append(r)
green_list.append(g)
blue_list.append(b)
r_total += r
g_total += g
b_total += b
count += 1
#CALCULATE THE AVRANGE COLOR, MIN, MAX, ETC
average_color=(round(r_total/count), round(g_total/count), round(b_total/count))
print(average_color)
red_list.sort()
green_list.sort()
blue_list.sort()
red_min_max=[]
green_min_max=[]
blue_min_max=[]
red_min_max.append(min(red_list))
red_min_max.append(max(red_list))
green_min_max.append(min(green_list))
green_min_max.append(max(red_list))
blue_min_max.append(min(blue_list))
blue_min_max.append(max(blue_list))
print('red_min_max: ', red_min_max)
print('green_min_max: ', green_min_max)
print('blue_min_max: ', blue_min_max)
#variance and standard devietion
red_stddev=round(math.sqrt(np.var(red_list)))
green_stddev=round(math.sqrt(np.var(green_list)))
blue_stddev=round(math.sqrt(np.var(blue_list)))
print('red_stddev: ', red_stddev)
print('green_stddev: ', green_stddev)
print('blue_stddev: ', blue_stddev)
img_path='./dir/image001.png'
compute_average_image_color(img_path)