在Python中计算图像中不同颜色对象的数量

下面是一个示例，我想从中计算每种颜色的对象数。不使用opencv的简单方法是什么

[编辑2]： 我尝试的方法如下： （1） 彩色物体计数

from PIL import Image
im = Image.open('./colored-polka-dots.png').getcolors()
im.sort(key=lambda k: (k[0]), reverse=True)
print('Top 5 colors: {}'.format((im[:5])))

# View non-background colors
color_values = []
for color in im[1:5]:
    color_values.append(color[1])
    arr = np.asarray(color[1]).reshape(1,1,4).astype(np.uint8)
    plt.imshow(arr)
    plt.show() # get top 4 frequent colors as green,blue,pink,ornage

# Create a dict of color names and their corressponding rgba values
color_dict = {}
for color_name,color_val in zip(['green','blue','pink','orange'],color_values):
    color_dict[color_name] = color_val

# Make use of ndimage.measurement.labels from scipy 
# to get the number of distinct connected features that satisfy a given threshold
for color_name,color_val in color_dict.items():
    b = ((img[:,:,0] ==color_val[0]) * (img[:,:,1] ==color_val[1]) * (img[:,:,2] ==color_val[2]))*1
    labeled_array, num_features = scipy.ndimage.measurements.label(b.astype('Int8'))
    print('Color:{} Count:{}'.format(color_name,num_features))

> 输出：

虽然这达到了目的，但我想知道是否有更有效、更优雅的方法来解决这个问题。

下面是一个基于scikit图像的简单解决方案：

代码：

将numpy导入为np
从撇渣进口io、形态、测量
从sklearn.cluster导入KMeans
img=io.imread（'https://i.stack.imgur.com/du0XZ.png')
行、列、带=img.shape
X=图像重塑（行*列、带）
kmeans=kmeans（n_集群=5，随机状态=0）。拟合（X）
labels=kmeans.labels\重塑（行、列）
对于np.unique中的i（标签）：
blobs=np.int（词法.二进制\u打开（标签==i））
color=np.around（kmeans.cluster\u centers\ui]）
count=len（np.unique（measure.label（blobs））-1
打印（'颜色：{}>>对象：{}'。格式（颜色，计数））

输出：

Color:[254.253.253.255.]>>对象：1
颜色：[255.144.36.255.]>>对象：288
颜色：[39.215.239.255.]>>对象：288
颜色：[255.38.135.255.]>>对象：288
颜色：[192.231.80.255.]>>对象：288

备注：

• 我对颜色进行了聚类，使程序对像素颜色的细微变化具有鲁棒性

• 群集中心的RGB坐标已四舍五入，仅用于可视化目的

• 为了去除孤立的像素，我还通过执行了一个打开操作

• 有必要从生成的标签数量中减去

  1

  ，以仅考虑具有所考虑颜色标签的那些连接区域

• 输出的第一行显然对应于白色背景

下面是一个基于scikit图像的简单解决方案：

代码：

将numpy导入为np
从撇渣进口io、形态、测量
从sklearn.cluster导入KMeans
img=io.imread（'https://i.stack.imgur.com/du0XZ.png')
行、列、带=img.shape
X=图像重塑（行*列、带）
kmeans=kmeans（n_集群=5，随机状态=0）。拟合（X）
labels=kmeans.labels\重塑（行、列）
对于np.unique中的i（标签）：
blobs=np.int（词法.二进制\u打开（标签==i））
color=np.around（kmeans.cluster\u centers\ui]）
count=len（np.unique（measure.label（blobs））-1
打印（'颜色：{}>>对象：{}'。格式（颜色，计数））

输出：

Color:[254.253.253.255.]>>对象：1
颜色：[255.144.36.255.]>>对象：288
颜色：[39.215.239.255.]>>对象：288
颜色：[255.38.135.255.]>>对象：288
颜色：[192.231.80.255.]>>对象：288

备注：

• 我对颜色进行了聚类，使程序对像素颜色的细微变化具有鲁棒性

• 群集中心的RGB坐标已四舍五入，仅用于可视化目的

• 为了去除孤立的像素，我还通过执行了一个打开操作

• 有必要从生成的标签数量中减去

  1

  ，以仅考虑具有所考虑颜色标签的那些连接区域

• 输出的第一行明显对应于白色背景

---

您能向我们展示一下您迄今为止所做的尝试吗？post讲述如何仅使用numpy/scipy查找彩色对象的计数。您可以出于自己的目的修改此项，以避免可能的重复。解决办法可能是help@Professor_Joykill，我已添加我的解决方案。你能提出改进意见吗？你能告诉我们你迄今为止所做的尝试吗？post讲述如何仅使用numpy/scipy查找彩色对象的计数。您可以出于自己的目的修改此项，以避免可能的重复。解决办法可能是help@Professor_Joykill，我已添加我的解决方案。你能提出改进建议吗？

orange: 288

green: 288

pink: 288

blue: 288