根据图像 numpy 数组中饱和度和值的色调值计算颜色可见性

Question

为了一个有趣的项目，我想分析一些图像，尤其是哪些颜色（色调）比其他颜色更明显。由于我想考虑颜色的 "visibility"，仅计算像素的色调是不够的（例如，完美的黑色会被视为红色，因为它的色调为 0°）。我想出了一个 IMO 对我的项目来说足够好的公式。

目前我在做以下事情：

用opencv读取图片（结果为BGR numpy数组）
将图像翻译成 HSV
对于每个像素，计算其色调的可见性（根据饱和度和值）并将其求和到色调字典中。

公式为color_visibility = sqrt(saturation * value)。所以全红 RGB=255,0,0; HSV=0,1,1 会导致 1 而例如浅红色 RGB=255,128,128; HSV=0,0.5,1 会导致 0.70.

这是我使用的（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

您可能猜到了，当图像具有更多像素时，代码会变得非常慢。

我的问题是，如果没有 dict 和 for 循环，我该如何计算我的公式？也许直接用 numpy？

Answer 1

您正在寻找的魔法在 np.bincount 中，因为它使用 h 值作为 bins -

非常直接地转换为循环版本

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

请注意，结果数组的元素计数可能为零

根据图像 numpy 数组中饱和度和值的色调值计算颜色可见性

Calculate color visibility from hue values respecting saturation and value in image numpy array

python

opencv

numpy

hsv