Python 根据饱和度和图像numpy数组中的值的色调值计算颜色可见性

对于一个有趣的项目，我想分析一些图像，特别是哪些颜色（色调）比其他颜色更明显。由于我想考虑到颜色的“可见性”，仅计算像素的色调是不够的（例如，完美黑色的色调为0°时会计算为红色）。我想出了一个公式，对我的项目来说已经足够好了

目前我做了以下工作：

• 使用opencv读取图像（结果在BGR numpy数组中）
• 将图像转换为HSV
• 对于每个像素，计算其色调的可见性（根据饱和度和值），并将其相加为一个色调的dict

公式是

color\u visibility=sqrt（饱和度*值）

。因此，一个完整的红色

RGB=255,0,0；HSV=0,1,1

将导致

1

，而例如，淡红色

RGB=255128128；HSV=0,0.5,1将导致
0.70

以下是我使用的（完整工作）代码：

import urllib
import cv2
import numpy as np

url = 'https://upload.wikimedia.org/wikipedia/commons/thumb/0/02/Leuchtturm_in_Westerheversand_crop.jpg/299px-Leuchtturm_in_Westerheversand_crop.jpg'
image = np.asarray(bytearray(urllib.urlopen(url).read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)

d = {}
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
pixels = hsv.reshape((hsv.shape[0] * hsv.shape[1], 3))
for h,s,v in pixels:
    d[h] = d.get(h, 0.) + (s/255. * v/255.) ** 0.5

正如您可能猜到的，当图像有更多像素时，代码会变得非常慢

我的问题是，没有dict和for循环，我如何计算公式？可能直接使用numpy？
您正在寻找的魔法就在其中，因为它使用
h
值作为存储箱直接转换为循环版本-

H,S,V = pixels.T
d_arr = np.bincount(H, ((S/255.0) * (V/255.0))**0.5 )

请注意，结果数组中的元素可能具有零值计数
谢谢，是的，我是numpy新手，不知道要搜索什么。非常感谢：）@sphere应该提到
bincount
速度非常快。所以，准备好被吹走：）事实上，就像努比的一切一样。即使在阅读了
bincount
的文档之后，我也不知道它可以这样使用。。。