Как игнорировать черный цвет на заднем плане в алгоритме k-средних? - PullRequest
Новая
       18

Как игнорировать черный цвет на заднем плане в алгоритме k-средних?

0 голосов
/ 22 апреля 2020

У меня есть код определения цвета, который дает мне 3 доминирующих цвета на изображении с помощью алгоритма k-средних. У меня есть набор данных изображения, где большинство изображений имеют черный фон, что не является полезной для меня информацией. Я хочу игнорировать черный цвет, так как это доминирующий цвет фона. Как я могу добавить это в мою программу?

Мой код следующий: 


with open('colors.json') as clr:
    color_dict = json.load(clr)

parser = argparse.ArgumentParser()

parser.add_argument("--clusters", help="No. of clusters")
parser.add_argument("--imagepath", help="Path to input image")

args = parser.parse_args()

IMG_PATH = args.imagepath if args.imagepath else "./images/*.jpg"
CLUSTERS = args.clusters if args.clusters else 3
WIDTH = 128
HEIGHT = 128

def closest_colour(requested_colour):
    min_colors = {}
    for key, name in color_dict['color_names'].items():
        r_c, g_c, b_c = webcolors.hex_to_rgb("#"+key)
        rd = (r_c - requested_colour[0]) ** 2
        gd = (g_c - requested_colour[1]) ** 2
        bd = (b_c - requested_colour[2]) ** 2
        min_colors[math.sqrt(rd + gd + bd)] = name
    return min_colors[min(min_colors.keys())]

def get_colour_name(requested_colour):

    try:
        closest_name = actual_name = webcolors.rgb_to_name(requested_colour)
    except ValueError:
        closest_name = closest_colour(requested_colour)
        actual_name = None
    return actual_name, closest_name

def calculate_new_size(image):

    if image.width >= image.height:
        wperc = (WIDTH / float(image.width))
        hsize = int((float(image.height) * float(wperc)))
        new_width, new_height = WIDTH, hsize
    else:
        hperc = (HEIGHT / float(image.height))
        wsize = int((float(image.width) * float(hperc)))
        new_width, new_height = wsize, HEIGHT
    return new_width, new_height

def rgb_to_hex(rgb):

    hex = color.to_hex([int(rgb[0])/255, int(rgb[1])/255, int(rgb[2])/255])
    #print(hex)

    return hex

def findColorName(rgb):
    aname, cname = get_colour_name((int(rgb[0]), int(rgb[1]), int(rgb[2])))
    hex = color.to_hex([int(rgb[0])/255, int(rgb[1])/255, int(rgb[2])/255])
    if aname is None:
        name = cname
    else:
        name = aname
    return hex, name


def TrainKMeans(img):
    new_width, new_height = calculate_new_size(img)
    #img2 = image_array[image_array != [150, 150, 150]]
    #img2 = img2.reshape((len(img2) / 3, 3))
    image = img.resize((new_width, new_height), Image.ANTIALIAS)
    img_array = np.array(image)
    img_vector = img_array.reshape((img_array.shape[0] * img_array.shape[1], 3))
    #print("IMG VECTOR ", img_vector)
    kmeans = KMeans(n_clusters = CLUSTERS, random_state=0)
    labels = kmeans.fit_predict(img_vector)

    hex_colors = [rgb_to_hex(center) for center in kmeans.cluster_centers_]
    color_name = {}
    for c in kmeans.cluster_centers_:
        h, name = findColorName(c)
        color_name[h] = name

    img_cor = [[*x] for x in img_vector]

    cluster_map = pd.DataFrame()
    cluster_map['position'] = img_cor
    cluster_map['cluster'] = kmeans.labels_
    #cluster_map['x'] = [x[0] for x in cluster_map['position']]
    #cluster_map['y'] = [x[1] for x in cluster_map['position']]
    #cluster_map['z'] = [x[2] for x in cluster_map['position']]
    cluster_map['color'] = [hex_colors[x] for x in cluster_map['cluster']]
    cluster_map['color_name'] = [color_name[x] for x in cluster_map['color']]
    #print(cluster_map)
    return cluster_map, kmeans

def plotColorClusters(img, name="Fig. 1"):
    cluster_map, kmeans = TrainKMeans(img)
    #fig = plt.figure(figsize=(14, 8))
    #fig.suptitle(name)
    #ax = fig.add_subplot(212,projection='3d')
#    ax.set_proj_type("ortho")

    # grouping the data by color hex code and color name to find the total count of
    # pixels (data points) in a particular cluster
    mydf = cluster_map.groupby(['color', 'color_name']).agg({'position':'count'}).reset_index().rename(columns={"position":"count"})
    #mydf['Percentage'] = round((mydf['count']/mydf['count'].sum())*100, 1)
    #mydf = cluster_map.groupby(['color', 'color_name']).agg({'position':'count'}).reset_index().rename(columns={"position":"count"})
    print(mydf)



  # Plotting a scatter plot for all the clusters and their respective colors
    #ax.scatter(cluster_map['x'], cluster_map['y'], cluster_map['z'], color = cluster_map['color'])

    #plt.subplot(221)
    #plt.imshow(img)
    #plt.axis('off')

    #plt.subplot(222)
    #plt.pie(mydf['count'], labels=mydf['color_name'], colors=mydf['color'], autopct='%1.1f%%', startangle=90)
    #plt.axis('equal')
    #plt.show()

def main():
    for inpFile in glob.glob(IMG_PATH) :
        name = os.path.basename(inpFile)
        img = Image.open(inpFile)
        plotColorClusters(img,name)

if __name__ == '__main__':
    main()
...