Python+OpenCV中如何利用K-Means 聚类进行色彩量化

# Python+OpenCV中如何利用K-Means 聚类进行色彩量化

## 1. 引言

在数字图像处理领域，色彩量化（Color Quantization）是一种重要的技术手段，它通过减少图像中颜色的数量来实现数据压缩、视觉效果优化等目的。本文将详细介绍如何利用Python+OpenCV结合K-Means聚类算法实现高效的色彩量化。

## 2. 色彩量化基础概念

### 2.1 什么是色彩量化

色彩量化是指将一幅图像中使用的颜色数目减少的过程。典型应用包括：
- 将24位真彩色图像转换为8位索引图像
- 图像压缩存储
- 艺术效果生成
- 减少计算复杂度

### 2.2 K-Means算法原理

K-Means是一种经典的聚类算法，其基本步骤为：
1. 随机选择K个初始中心点
2. 将每个数据点分配到最近的中心点
3. 重新计算每个簇的中心点
4. 重复步骤2-3直到收敛

在色彩量化中，我们将每个像素的RGB值作为数据点，通过K-Means找到代表性的颜色中心。

## 3. 环境准备与数据加载

### 3.1 安装必要库

```bash
pip install opencv-python numpy matplotlib

3.2 图像加载与预处理

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 加载图像
image = cv2.imread('input.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # 转换为RGB格式

# 显示原始图像
plt.figure(figsize=(10, 6))
plt.imshow(image)
plt.title('Original Image')
plt.axis('off')
plt.show()

4. K-Means色彩量化实现

4.1 数据预处理

# 将图像数据转换为适合K-Means的格式
pixel_values = image.reshape((-1, 3))
pixel_values = np.float32(pixel_values)  # 转换为float32

4.2 定义量化函数

def color_quantization(image, k):
    # 获取图像尺寸和通道数
    (h, w, c) = image.shape
    
    # 将图像数据转换为2D数组
    pixel_values = image.reshape((-1, 3))
    pixel_values = np.float32(pixel_values)
    
    # 定义K-Means参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    _, labels, centers = cv2.kmeans(
        pixel_values, 
        k, 
        None, 
        criteria, 
        10, 
        cv2.KMEANS_RANDOM_CENTERS
    )
    
    # 转换回8位值
    centers = np.uint8(centers)
    
    # 将每个像素映射到最近的质心
    quantized_image = centers[labels.flatten()]
    quantized_image = quantized_image.reshape((h, w, c))
    
    return quantized_image, centers

4.3 执行色彩量化

# 设置不同的K值进行实验
k_values = [2, 4, 8, 16, 32, 64]
results = {}

for k in k_values:
    quantized_img, colors = color_quantization(image, k)
    results[k] = (quantized_img, colors)

5. 结果可视化与分析

5.1 量化效果展示

plt.figure(figsize=(15, 10))

for i, k in enumerate(k_values, 1):
    plt.subplot(2, 3, i)
    plt.imshow(results[k][0])
    plt.title(f'K={k}')
    plt.axis('off')

plt.tight_layout()
plt.show()

5.2 颜色分布分析

def plot_color_palette(colors):
    palette = np.zeros((100, len(colors)*100, 3), dtype=np.uint8)
    for i, color in enumerate(colors):
        palette[:, i*100:(i+1)*100, :] = color
    plt.imshow(palette)
    plt.axis('off')

plt.figure(figsize=(15, 5))
for i, k in enumerate(k_values, 1):
    plt.subplot(1, len(k_values), i)
    plot_color_palette(results[k][1])
    plt.title(f'K={k}')
plt.tight_layout()
plt.show()

6. 性能优化与技巧

6.1 采样加速

对于大图像，可以采样部分像素进行聚类：

def sampled_quantization(image, k, sample_ratio=0.2):
    h, w = image.shape[:2]
    sample_size = int(h * w * sample_ratio)
    indices = np.random.choice(h * w, sample_size, replace=False)
    
    samples = image.reshape((-1, 3))[indices]
    samples = np.float32(samples)
    
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    _, labels, centers = cv2.kmeans(
        samples, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS
    )
    
    # 对整个图像进行标签预测
    pixel_values = image.reshape((-1, 3))
    pixel_values = np.float32(pixel_values)
    distances = np.linalg.norm(
        pixel_values[:, np.newaxis] - centers, axis=2
    )
    labels = np.argmin(distances, axis=1)
    
    centers = np.uint8(centers)
    quantized_image = centers[labels]
    quantized_image = quantized_image.reshape((h, w, 3))
    
    return quantized_image, centers

6.2 初始中心点优化

使用K-Means++初始化策略：

_, labels, centers = cv2.kmeans(
    pixel_values, 
    k, 
    None, 
    criteria, 
    10, 
    cv2.KMEANS_PP_CENTERS  # 使用K-Means++初始化
)

7. 应用案例

7.1 生成调色板

def extract_dominant_colors(image, k=5):
    quantized, colors = color_quantization(image, k)
    # 计算每种颜色的比例
    counts = np.bincount(labels.flatten())
    percentages = counts / counts.sum()
    # 按比例排序
    sorted_idx = np.argsort(percentages)[::-1]
    return colors[sorted_idx], percentages[sorted_idx]

dominant_colors, percentages = extract_dominant_colors(image, 5)

plt.figure(figsize=(10, 2))
for i, (color, percent) in enumerate(zip(dominant_colors, percentages)):
    plt.fill_between([i, i+1], 0, 1, color=color/255)
    plt.text(i+0.5, 0.5, f"{percent:.1%}", 
             ha='center', va='center', color='white')
plt.xlim(0, 5)
plt.axis('off')
plt.title('Dominant Colors with Percentages')
plt.show()

7.2 图像风格化

def posterize(image, k=8):
    quantized, _ = color_quantization(image, k)
    # 边缘检测
    gray = cv2.cvtColor(quantized, cv2.COLOR_RGB2GRAY)
    edges = cv2.Canny(gray, 100, 200)
    # 合成风格化图像
    stylized = quantized.copy()
    stylized[edges != 0] = [0, 0, 0]  # 添加黑色边缘
    return stylized

stylized = posterize(image, 8)
plt.imshow(stylized)
plt.title('Posterized Image with Edges')
plt.axis('off')
plt.show()

8. 与其他方法的比较

8.1 中值切割算法对比

from sklearn.cluster import MiniBatchKMeans
from collections import Counter

def median_cut(image, k):
    # 实现略，可与K-Means结果比较
    pass

8.2 性能对比表

9. 总结与展望

本文详细介绍了使用Python+OpenCV结合K-Means算法实现色彩量化的完整流程。关键点包括： 1. 图像数据的正确预处理 2. K-Means参数的合理设置 3. 量化结果的评估与可视化

未来改进方向： - 结合空间信息进行聚类 - 自适应确定最佳K值 - 与其他图像处理技术结合

10. 参考文献

1. OpenCV官方文档
2. “Digital Image Processing” by Rafael C. Gonzalez
3. Scikit-learn聚类算法文档

附录：完整代码示例

# 完整色彩量化示例
import cv2
import numpy as np
import matplotlib.pyplot as plt

def main():
    # 1. 加载图像
    image = cv2.imread('input.jpg')
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    
    # 2. 色彩量化
    k = 16
    quantized, colors = color_quantization(image, k)
    
    # 3. 显示结果
    plt.figure(figsize=(15, 5))
    
    plt.subplot(1, 3, 1)
    plt.imshow(image)
    plt.title('Original')
    plt.axis('off')
    
    plt.subplot(1, 3, 2)
    plt.imshow(quantized)
    plt.title(f'Quantized (K={k})')
    plt.axis('off')
    
    plt.subplot(1, 3, 3)
    plot_color_palette(colors)
    plt.title('Color Palette')
    plt.axis('off')
    
    plt.tight_layout()
    plt.show()

if __name__ == '__main__':
    main()

”`