Вот попытка использования гауссовского KDE.Это все еще далеко от совершенства, и результат во многом зависит от параметров оценки (bw_method).Возможно, есть более простой способ, может быть, что-то, использующее np.unique для получения частоты каждого уникального цвета.
Идея состоит в том, чтобы оценить распределение плотности цвета как многомерную гауссову смесь и использовать ее в качестве цветовой карты для рассеяния.plot.
Это немного медленно для всего серьезного, но я думаю, что это дает хорошие результаты с достаточно маленькими изображениями.Может быть, какой-нибудь метод оценки на основе свертки FFT + мог бы быть быстрее.
Давайте посмотрим код.Ничего особенного: он сглаживает и изменяет данные изображения так, как это нравится gaussian_kde, и возвращает компоненты RGB и плотности.Вы можете поиграть с bw_method и посмотреть, как изменится результат. Чем больше, тем более плавная плотность вы получите.
from scipy.stats import gaussian_kde
def img_to_rgbk(img, bw=0.1):
rgb = img.reshape(-1, 3).T
k = gaussian_kde(rgb, bw_method=bw)(rgb)
r, g, b = rgb
return r, g, b, k
Вот результаты с изображением игрушки
img = chelsea()[100:200, 100:200]
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
r, g, b, k = img_to_rgbk(img, bw=0.5)
ax.scatter(r, g, b, c=k, alpha=0.2)
Уведомление c=k используется для установки цвета маркера карты в соответствии с информацией о плотности, alpha необходимо, чтобы видеть немного сквозь облако.
Челси
Случайные цвета
Градиент
Обратите внимание, здесь вы можете увидеть, как неправильный выбор пропускной способности может бытьвводит в заблуждение.Достаточно маленький bw_method должен показывать, по существу, один цвет на столбец, повторяющийся вдоль строк.Таким образом, каждая точка должна иметь одинаковый цвет (и это будет с правильной пропускной способностью).
Градиент + шум
Здесь лучшая пропускная способность и некоторый шум для распространения цветов.Обратите внимание на большую плотность вокруг белой области, где разрыв на графике без шума становится максимумом плотности.