在哪个网站做推广好,wordpress代码检查工具,网站页面设计合同,wordpress 后台登录不上用代码分析图像可能很困难。你如何使代码“理解”图像的上下文?通常#xff0c;使用AI分析图像的第一步 是找到主要颜色。在如何使用python中matplotlib库分析图像颜色中#xff0c;我们将使用matplotlib的 image类在图像中找到主色 。查找主导色也是你可以使用第三方API进行… 用代码分析图像可能很困难。你如何使代码“理解”图像的上下文? 通常使用AI分析图像的第一步 是找到主要颜色。在如何使用python中matplotlib库分析图像颜色中我们将使用matplotlib的 image类在图像中找到主色 。查找主导色也是你可以使用第三方API进行的操作但是我们将构建自己的系统来执行此操作以便我们可以完全控制该过程。 我们将首先研究将图像转换为矩阵形式的其组成颜色然后对它执行k均值聚类以找到主要颜色。 先决条件如何使用python中matplotlib库分析图像颜色假定你了解Python的基础知识但你以前无需使用Python处理图像。如何使用python中matplotlib库分析图像颜色基于以下内容 1)Python版本3.6.5 2)matplotlib版本2.2.3解码图像并可视化主色 3)scipy版本1.1.0执行确定主导颜色的聚类 软件包 matplotlib scipy 可以通过软件包管理器安装 pip。你可能需要在虚拟环境中安装特定版本的软件包 以确保与正在处理的其他项目的依赖项没有冲突。 此外我们将在如何使用python中matplotlib库分析图像颜色中分析JPG图像仅当你安装其他包装枕头时该支持才可用。 另外你也可以只使用Jupyter笔记本。如何使用python中matplotlib库分析图像颜色的代码在Anaconda 1.8.7版的Jupyter笔记本上运行。以上这些程序包已预先安装在Anaconda中。 解码图像 图像可能具有各种扩展名-JPGPNGTIFF很常见。这篇文章只关注JPG图片但是其他图片格式的处理应该不会有太大不同。该过程的第一步是读取图像。 具有JPG扩展名的图像作为点列表(称为像素)存储在内存中。甲 像素或一个图像元素表示的图像中的一个点。点的颜色由三个值的组合确定-它的三个分量颜色(红色蓝色和绿色)。像素的颜色本质上是这三种颜色的组合。 让我们使用下面的图片来查找图像中的主色。你可以在此处下载图像 。 要在Python中读取图像你需要导入 (documentation)image 类 。 图像类的 方法将图像解码为其RGB值。该方法的输出 是一个尺寸为M x N x 3的数组其中M和N是图像的尺寸。matplotlibimread()imread() 你可以使用的 类的 imshow() 方法 来显示图像该图像采用RGB值矩阵的形式。Matplotlib pyplot 我们从该imread() 方法获得的矩阵取决于所读取图像的类型。例如PNG图像还将包含一个用于测量像素透明度的元素。这篇文章将只涵盖JPG图片。 在继续对图像进行聚类之前我们需要执行其他步骤。在找出图像的主要颜色的过程中我们不关心像素的位置。因此我们需要将M x N x 3矩阵转换为三个单独的列表其中包含各自的红色蓝色和绿色值。以下代码段将存储在图像中的矩阵转换为三个单独的列表每个列表的长度为40,000(200 x 200)。 上面的代码段创建三个空列表然后通过我们的图像的每个像素循环附加的RGB值以我们的 r g和 b 分别列出。如果正确完成则每个列表的长度将为40,000(200 x 200)。 集群基础 现在我们已经存储了图像的所有组成色是时候找到主要颜色了。现在让我们花一点时间来了解聚类的基本知识以及它如何帮助我们找到图像中的主要色彩。 聚类是一项有助于根据特定属性将相似项目分组在一起的技术。我们将对 上面刚刚创建的三种颜色的列表应用 k均值聚类。 每个聚类中心的颜色将反映聚类所有成员的属性的平均值这将有助于我们确定图像中的主要颜色。 有几种主要颜色? 在我们对像素数据点执行k均值聚类之前对并非所有图像都具有相同数量的主色找出一个给定图像理想的聚类可能对我们来说是一件好事。 由于我们正在处理三个用于聚类的变量-像素的红色蓝色和绿色值-我们可以在三个维度上可视化这些变量以了解可能存在多少种主色。 要在中制作3D图 matplotlib我们将使用 Axes3D() 类(文档)。使用Axes3D() 该类初始化轴后我们使用该 scatter 方法并将三个颜色值列表用作参数。 在结果图中我们可以看到点的分布形成了两个拉长的簇。通过查看它我们可以看到图像主要由两种颜色组成这一事实也支持了这一点。因此在下一节中我们将重点介绍创建两个群集。 首先尽管如此我们可能会猜测3D图可能无法为某些图像生成不同的聚类。另外如果我们使用的是PNG图像则将有第四个拼合度(每个像素的透明度值)这将使得无法在三个维度上进行绘制。在这种情况下你可能需要使用 弯头方法来确定理想的群集数。 在SciPy中执行聚类 在上一步中我们确定需要两个聚类现在可以对数据执行k-均值聚类了。让我们创建一个Pandas数据框来轻松管理变量。 使用SciPy进行k均值聚类的过程实质上涉及三个步骤 1)通过将每个数据点除以其标准偏差来标准化变量。我们将使用该类的 whiten() 方法 vq。 2)使用该kmeans() 方法生成集群中心 。 3)使用类的vq() 方法 为每个数据点生成群集标签 vq。 上面的第一步确保每个变量的变化均等地影响聚类。想象一下两个尺度差异很大的变量。如果我们忽略上面的第一步那么规模和变化较大的变量将对簇的形成产生更大的影响从而使过程产生偏差。如何使用python中matplotlib库分析图像颜色因此我们使用whiten() 函数将变量标准化 。该 whiten() 函数采用一个参数变量值的列表或数组然后返回标准化值。标准化后我们将打印数据框的样本。请注意标准化列中列的变化已大大减少。 下一步是使用标准化列执行k均值聚类。我们将使用kmeans() 执行聚类的 功能。的 kmeans() 功能(文档)具有两个参数-的意见和簇的数目。它返回两个值-聚类中心和变形。失真是每个点与其最近的群集中心之间的距离平方的总和。在如何使用python中matplotlib库分析图像颜色中我们不会使用失真。 k均值聚类的最后一步是生成聚类标签。但是在本练习中我们不需要这样做。我们仅在寻找由聚类中心表示的主色。 显示主要颜色 我们已经执行了k均值聚类并生成了聚类中心所以让我们看看它们包含哪些值。 如你所见我们得到的结果是 RGB值的标准化版本。为了获得原始颜色值我们需要将它们与标准偏差相乘。 我们将使用的 类imshow() 方法 以调色板的形式显示颜色。但是要显示颜色 需要RGB值在0到1的范围内其中1表示我们原始RGB值比例中的255。因此我们必须将群集中心的每个RGB分量除以255以获得0到1之间的值并通过该方法显示它们 。matplotlibpyplotimshow()imshow() 最后在使用imshow()函数(文档)绘制颜色之前我们还要多加考虑 。聚类中心的尺寸为N x 3其中N是聚类数。 imshow() 最初旨在显示颜色的AXB矩阵因此需要3D尺寸为A x B x 3的数组(调色板中每个块包含三个颜色元素)。因此我们需要通过将聚类中心的颜色作为单个元素的列表传递将N x 3矩阵转换为1 x N x 3矩阵。例如如果我们将颜色存储在其中 colors 则需要[colors] 作为参数传递 给 imshow()。 让我们探索图像中的主要色彩。 不出所料图像中看到的颜色与我们开始使用的图像中的突出颜色非常相似。也就是说你可能已经注意到上面的浅蓝色实际上并未出现在我们的源图像中。请记住聚类中心是每个聚类中所有像素的所有RGB值的均值。因此最终的聚类中心实际上可能不是原始图像中的颜色而只是RBG值位于聚类中心即图像中所有看起来相似的像素。 结论 在如何使用python中matplotlib库分析图像颜色中我们逐步研究了如何使用matplotlib 和查找Python中图像的主色 scipy。我们从JPG图像开始然后使用imread() 中的图像类方法 将其转换为RGB值 matplotlib。然后我们使用进行k均值聚类 scipy 以找到主要颜色。最后我们使用imshow()中的pyplot 类 方法 显示了主色 matplotlib。相关推荐IT互联网职业培训大数据分析R语言RStudio使用教程zhuanlan.zhihu.comIT互联网职业培训如何申请创建数据分析项目组合zhuanlan.zhihu.comIT互联网职业培训大数据分析R中泊松回归模型实例zhuanlan.zhihu.comIT互联网职业培训原画概念设计环境光遮蔽AO贴图使用技巧zhuanlan.zhihu.com
