根据图像numpy数组中关于饱和度和值的色调值计算颜色可见性

Question

对于一个有趣的项目，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“可见性”，仅计算像素的色调是不够的（例如，完美的黑色将算作红色，因为它的色调为 0°）。我想出了一个适合我的项目的 IMO 公式。

目前我执行以下操作：

• 用 opencv 读取图像（结果为 BGR numpy 数组）
• 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）并将其汇总到色调字典中。

公式为color_visibility = sqrt(saturation * value)。所以一个全红色的RGB=255,0,0; HSV=0,1,1 会导致1 而例如浅红色的RGB=255,128,128; HSV=0,0.5,1 将导致0.70。

这是我使用的（完整的）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，如何在没有 dict 和 for 循环的情况下计算公式？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 值作为垃圾箱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，结果数组中的元素可能具有零值计数