有没有办法使用 python 判断图像是否为白色背景，以及什么可能是获得关于这个问题的“置信度百分比”的好策略？似乎互联网上的文献并没有完全涵盖这种情况，我找不到任何严格相关的内容。
我要分析的图片是典型的电子商务网站产品图片，因此它们应该在中间有一个焦点对象，并且只在边框处有白色背景。
另一个可用的信息是对象应占据的图像空间的最大百分比。
【问题讨论】：
标签： python image-processing color-detection
我会选择这样的。
通过将最亮、最白的像素设置为 240 而不是 255 来降低图像的对比度，这样通常在图像和产品部分中发现的白色不再是纯白色。
在您的图像周围放置一个 1 像素宽的白色边框 - 这将允许下一步中的泛洪填充“流动” 一直围绕边缘（即使 “产品” 触及框架的边缘）并“渗入” 从所有边框/边缘进入图像。
从左上角开始填充图像（在第 2 步之后必须是纯白色），并在匹配白色时允许 10-20% 的容差，以防背景为灰白色或轻微阴影，白色会从边缘流入您的图像，直到到达中心的产品。
看看你现在有多少纯白色像素 - 这些是背景像素。纯白色像素的百分比可以让您确定图像是白色背景上的产品。
我会像这样从命令行使用 ImageMagick：
convert product.jpg +level 5% -bordercolor white -border 1 \
-fill white -fuzz 25% -draw "color 0,0 floodfill" result.jpg
我将在以下 2 张图片周围设置一个红色边框，以便您可以看到 StackOverflow 的白色背景上的边缘，并显示之前和之后的图像 - 查看生成的图像中的白色量（没有第二个，因为它没有白色背景）并且在路由器下方的阴影处查看-fuzz的效果。
之前
之后
如果您希望将其作为百分比，您可以将所有非白色像素设为黑色，然后计算白色像素的百分比，如下所示：
convert product.jpg -level 5% \
-bordercolor white -border 1 \
-fill white -fuzz 25% -draw "color 0,0 floodfill" -shave 1 \
-fuzz 0 -fill black +opaque white -format "%[fx:int(mean*100)]" info:
62
之前
之后
ImageMagick 具有 Python 绑定，因此您可以在 Python 中执行上述操作 - 或者您可以使用 OpenCV 和 Python 来实现相同的算法。
【讨论】：
最流行的图像格式是 .png。 PNG 图像可以具有透明颜色 (alpha)。常与白色背景页面相匹配。使用pillow 很容易找出哪些像素是透明的。
一个好的起点：
from PIL import Image
img = Image.open('image.png')
img = img.convert("RGBA")
pixdata = img.load()
for y in xrange(img.size[1]):
for x in xrange(img.size[0]):
pixel = pixdata[x, y]
if pixel[3] == 255:
# tranparent....
或者如果你检查左上角的像素是否为白色就足够了：
pixel = pixdata[0, 0]
if item[0] == 255 and item[1] == 255 and item[2] == 255:
# it's white
【讨论】：
这个问题可能是几年前的问题，但我最近有一个类似的任务。在这里分享我的答案可能会帮助其他遇到相同任务的人，我还可以通过让社区查看来改进我的答案。
import cv2 as cv
import numpy as np
THRESHOLD_INTENSITY = 230
def has_white_background(img):
# Read image into org_img variable
org_img = cv.imread(img, cv.IMREAD_GRAYSCALE)
# cv.imshow('Original Image', org_img)
# Create a black blank image for the mask
mask = np.zeros_like(org_img)
# Create a thresholded image, I set my threshold to 200 as this is the value
# I found most effective in identifying light colored object
_, thres_img = cv.threshold(org_img, 200, 255, cv.THRESH_BINARY_INV)
# Find the most significant contours
contours, hierarchy = cv.findContours(thres_img, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
# Get the outermost contours
outer_contours_img = max(contours, key=cv.contourArea)
# Get the bounding rectangle of the contours
x,y,w,h = cv.boundingRect(outer_contours_img)
# Draw a rectangle base on the bounding rectangle of the contours to our mask
cv.rectangle(mask,(x,y),(x+w,y+h),(255,255,255),-1)
# Invert the mask so that we create a hole for the detected object in our mask
mask = cv.bitwise_not(mask)
# Apply mask to the original image to subtract it and retain only the bg
img_bg = cv.bitwise_and(org_img, org_img, mask=mask)
# If the size of the mask is similar to the size of the image then the bg is not white
if h == org_img.shape[0] and w == org_img.shape[1]:
return False
# Create a np array of the
np_array = np.array(img_bg)
# Remove the zeroes from the "remaining bg image" so that we dont consider the black part,
# and find the average intensity of the remaining pixels
ave_intensity = np_array[np.nonzero(np_array)].mean()
if ave_intensity > THRESHOLD_INTENSITY:
return True
else:
return False
这些是上面代码中步骤的图像：
这是原始图像。无侵犯版权之意。 （无法从unsplash找到实际图像的url）
第一步是将图像转换为灰度。
对图像应用阈值。
获取“阈值”图像的轮廓并获取轮廓。绘制轮廓只是可选的。
从轮廓中，获取外轮廓的值并找到它的边界矩形。可以选择将矩形绘制到图像上，以便您查看假设的阈值是否适合矩形中的对象。
在边界矩形之外创建一个遮罩。
最后，将蒙版减去灰度图像。剩下的是背景图像减去蒙版。
要最后判断背景是否为白色，求除图像数组的0值之外的背景图像的平均强度值。并根据一定的阈值，判断是否为白色。
希望这会有所帮助。如果您认为它仍然可以改进，或者我的解决方案存在缺陷，请在下方评论。
【讨论】：