更新：优化了代码，理由numpy的ufunc函数功能替换了之前的双重for循环，测试图片大小为692*1024*3，优化前运行时间为6.9s，优化后为0.8s。
由于工作需要，需要计算颜色直方图来提取颜色特征，但若不将颜色空间进行量化，则直方图矢量维数过高，不便于使用。但是看了opencv API后并未发现提供了相关函数能够在计算颜色直方图的同时进行量化，因此这部分功能只能自己实现。下面分为两个部分进行介绍：
一、颜色空间量化表
由于RGB模型不够直观，不符合人类视觉习惯，因此在进行颜色特征提取前，需要将照片从RGB颜色模型转换为更符合人类视觉的HSV模型。在提取颜色特征时，最常用的方法之一为颜色直方图法，但一张图片中出现的颜色一般特别多，导致直方图矢量的维数较高，因此需要对HSV空间进行量化。根据人眼对颜色的感知特性，采用较为常用的量化方法，即按照如下对应关系进行量化：
基于上述量化表，将各颜色分量按照下述公式合成为72维一维矢量：
二、量化代码
代码使用纯python写成，效率偏低，处理388*500像素的照片用时1.45秒。在quantilize函数中，未使用if-else判断语句，因此至少节省了1/3的时间。但这个速度显然是无法令人满意的，用C++效率应该会更高点。如果有人有更好的想法，欢迎在下方评论交流。
#-*-coding:utf-8-*-
import cv2
import numpy as np
from datetime import datetime
from matplotlib import pyplot as plt
def colors(imagepath):
img = cv2.imread(imagepath)
hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
nhsv = np.zeros(hsv.shape[:2], dtype=np.uint8)
t2 = datetime.now()
for i in range(hsv.shape[0]):
for j in range(hsv.shape[1]):
nhsv[i][j] = quantilize(hsv[i][j])
print datetime.now() - t2
hist = cv2.calcHist([nhsv], [0], None, [72], [0,71]) # 40x faster than np.histogramfaster than np.histogram
plt.plot(hist,color = 'r')
plt.xlim([0, 72])
plt.show()
def quantilize(value):
'''hsv直方图量化
value : [21, 144, 23] h, s, v
opencv中，h-[0,180], s-[0,255], v-[0,255]
'''
#
value[0] = value[0] * 2
hlist = [20, 40, 75, 155, 190, 270, 290, 316, 360]
svlist = [21, 178, 255]
for i in range(len(hlist)):
if value[0] <= hlist[i]:
h = i % 8
break
for i in range(len(svlist)):
if value[1] <= svlist[i]:
s = i
break
for i in range(len(svlist)):
if value[2] <= svlist[i]:
v = i
break
return 9 * h + 3 * s + v
以上，欢迎批评交流～
三、更新
#-*-coding:utf-8-*-
import cv2
import numpy as np
from datetime import datetime
from matplotlib import pyplot as plt
hlist = [20, 40, 75, 155, 190, 270, 290, 316, 360]
svlist = [21, 178, 255]
def quantilize(h, s, v):
'''hsv直方图量化'''
# value : [21, 144, 23] h, s, v
h = h * 2
for i in range(len(hlist)):
if h <= hlist[i]:
h = i % 8
break
for i in range(len(svlist)):
if s <= svlist[i]:
s = i
break
for i in range(len(svlist)):
if v <= svlist[i]:
v = i
break
return 9 * h + 3 * s + v
quantilize_ufunc = np.frompyfunc(quantilize, 3, 1) # 自定义ufunc函数，即将quantilize函数转化为ufunc函数，其输入参数为３个，输出参数为１个。
def colors(img):
hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
nhsv = quantilize_ufunc(hsv[:,:,0], hsv[:,:,1], hsv[:,:,2]).astype(np.uint8) # 由于frompyfunc函数返回结果为对象，所以需要转换类型
hist = cv2.calcHist([nhsv], [0], None, [72], [0,71]) # 40x faster than np.histogram
hist = hist.reshape(1, hist.shape[0]).astype(np.int32).tolist()[0]
return hist
if __name__ == '__main__':
img_path = path + 'test.jpg'
img = cv2.imread(img_path)
colors(img)
结果
[0, 11, 31490, 100, 3, 32685, 0, 28, 313, 0, 0, 3268, 31, 0, 558364, 6, 1, 441, 0, 0, 2301, 92, 0, 34056, 0, 1, 396, 0, 0, 2682, 84, 5, 712, 0, 137, 55, 0, 0, 1215, 20, 2, 224, 0, 3, 0, 0, 0, 13838, 56, 0, 23474, 63, 23, 1, 0, 0, 4764, 0, 0, 2335, 0, 25, 27, 0, 0, 2302, 5, 0, 1676, 1, 59, 389]
以上这篇python下对hsv颜色空间进行量化操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com