使用Python，OpenCV，K-Means聚類查找圖像中最主要的顏色

分別把跑圖聚類選取1, 2, 3，4, 5, 6, 7，8, 9種主要顏色并繪制colormap顏色圖;

效果圖

分別把跑圖聚類選取3，4, 5，7，9種主要顏色并繪制colormap顏色圖，跑圖和顏色圖匯總如下：

分別把跑圖聚類選取1，2, 4，6，8種主要顏色并繪制colormap顏色圖，跑圖和顏色圖匯總如下：

分別聚類1-10種顏色得到的主要顏色排布如下：

換一張絢爛的落日圖，分別聚類1-10種顏色得到的主要顏色排布如下：

源碼見如下鏈接:

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

# python color_kmeans.py --image images/cactus.jpg --clusters 3
# 導入必要的包
import argparseimport cv2
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeansdef centroid_histogram(clt):# 獲取不同聚簇的個數，根據每個聚簇的像素數生成直方圖# k均值算法將圖像中的每個像素分配給最近的聚類。numLabels = np.arange(0, len(np.unique(clt.labels_)) + 1)(hist, _) = np.histogram(clt.labels_, bins=numLabels)# 對直方圖進行歸一化，使得總和為1hist = hist.astype("float")hist /= hist.sum()# 返回直方圖return hist# plot_colors函數需要兩個參數：
# hist，它是從centroid_histogram函數生成的直方圖；
# centroids，是由k-means算法生成的質心（集群中心）的列表。
def plot_colors(hist, centroids):# 初始化代表相對頻率的每種顏色的條形圖# 定義了一個300×50像素的矩形，以容納圖像中最主要的顏色bar = np.zeros((50, 300, 3), dtype="uint8")startX = 0# 遍歷每一個聚簇的百分比及顏色for (percent, color) in zip(hist, centroids):# 繪制每一聚簇的相對百分比endX = startX + (percent * 300)cv2.rectangle(bar, (int(startX), 0), (int(endX), 50),color.astype("uint8").tolist(), -1)startX = endX# 返回條形圖return bar# 構建命令行參數和解析
# --image 原始圖像路徑
# --clusters 期望生成的簇數
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())# 加載圖像，轉換BGR-->RGB 以在matplotlib展示
image = cv2.imread(args["image"])
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 展示圖像
plt.figure(200 * 100)
plt.axis("off")
plt.imshow(image)# 將NumPy數組重塑為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 = 1if len(bar_list) > 5:width_col = 2for i in range(len(bar_list)):plt.subplot(len(bar_list)//width_col, width_col, i + 1)plt.imshow(bar_list[i])  # 通過for循環逐個顯示圖像plt.title('kmeans=' + str(kmeans_list[i]))plt.xticks([])  # 去掉x軸的刻度plt.yticks([])  # 去掉y軸的刻度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實現來避免重新實現該算法# 使用K-means查找圖像中最主要的顏色# 使用期望獲取的聚簇數，初始化局KMeans類，調用fit()方法將像素列表聚集在一起clt = KMeans(n_clusters=args["clusters"])clt.fit(image)# 構建聚簇直方圖# 建立圖表以代表每一種顏色所對應的像素數hist = centroid_histogram(clt)bar = plot_colors(hist, clt.cluster_centers_)bar_list.append(bar)plot_subplots(kmeans_list, bar_list)