有沒(méi)有想過(guò) Instagram 如何在你添加圖像時(shí)自動(dòng)選擇背景?!

他們通過(guò)不同的算法分析你的圖片并生成與圖像匹配的背景。他們主要使用圖像中存在的“顏色”來(lái)處理輸出。

在本文中,你可以找到 2 種技術(shù)來(lái)檢測(cè)輸入圖像的合適背景。在最終用戶(hù)產(chǎn)品中使用這些算法時(shí),這些方法有點(diǎn)幼稚,但對(duì)于學(xué)習(xí)新東西的開(kāi)發(fā)人員來(lái)說(shuō),這些方法非常方便且易于復(fù)制。

讓我們了解第一種方法

在這種情況下,我們只需將RGB矩陣分離為單獨(dú)的顏色通道,然后使用Counter() 函數(shù)分別對(duì)3個(gè)RGB矩陣中的每個(gè)像素值進(jìn)行頻率計(jì)數(shù)。

然后,選擇10個(gè)出現(xiàn)頻率最高的值并取它們的平均值來(lái)獲得結(jié)果像素值。

最后,只需使用np．zeros() 生成一個(gè)空白圖像,并用獲得的背景色填充它即可顯示最終結(jié)果。這種技術(shù)只需40行代碼就可以產(chǎn)生結(jié)果!

以下是第一種方法的完整代碼:

import cv2
import numpy as np
from collections import Counter
file_path='YOUR_FILE_PATH'
def find_background(path=None):
if(path is not None):
 img=cv2．imread(path)
 img=cv2．resize(img,(800,600))
 blue,green,red=cv2．split(img)
 blue=blue．flatten()
 green=green．flatten()
 red=red．flatten()
 blue_counter=Counter(blue)
 green_counter=Counter(green)
 red_counter=Counter(red)
blue_most=blue_counter．most_common(10)
blue_avg=[i for i,j in blue_most]
blue_avg=int(np．mean(blue_avg)

green_most=green_counter．most_common(10)
green_avg=[i for i,j in green_most]
green_avg=int(np．mean(green_avg))
red_most=red_counter．most_common(10)
red_avg=[i for i,j in red_most]
red_avg=int(np．mean(red_avg))
background=[blue_avg,green_avg,red_avg]

bg=np．zeros((512,512,3),np．uint8)
bg_color=cv2．rectangle(bg,(0,0),(512,512),background,-1)
return(bg_color)
else:
  return(None)
bg_image=find_background(file_path)
cv2．imshow('Image',img)
cv2．imshow('Background',bg_image)
cv2．waitKey(0)
cv2．destroyAllWindows()

我們得到的原始圖像和由此產(chǎn)生的背景顏色

獲得的原始圖像和由此產(chǎn)生的背景顏色

什么是更復(fù)雜的方法來(lái)做到這一點(diǎn)?“ML”在哪里?!

實(shí)現(xiàn)相同目標(biāo)的另一種方法是使用機(jī)器學(xué)習(xí)算法為我們提供我們想要計(jì)算最頻繁的顏色分離。

第二種方法對(duì) RGB 值使用 K-Means 聚類(lèi)算法,并找出圖像中存在的一組不同顏色的聚類(lèi)。之后,再次利用頻率計(jì)數(shù),最后找到背景色。這種方法涉及到無(wú)監(jiān)督機(jī)器學(xué)習(xí)的使用,其應(yīng)用范圍遠(yuǎn)遠(yuǎn)超出了背景顏色檢測(cè)。

圖像分割任務(wù)大量使用這種方法對(duì)圖像進(jìn)行K均值聚類(lèi)。

以下是K-Means方法的完整代碼:

import cv2
import numpy as np
from collections import Counter
from sklearn．cluster import KMeans
import matplotlib．pyplot as plt
img=cv2．imread('YOUR_FILE_NAME')
img=cv2．resize(img,(500,500))
plt．imshow(cv2．cvtColor(img, cv2．COLOR_BGR2RGB))
#Reshaping into a R,G,B -(2x3) 2D-Matrix
modified_img=img．reshape(img．shape[0]*img．shape[1],3)
#print(modified_img)
#plotting all the points in 3D space．
x=modified_img[:,0]
y=modified_img[:,1]
z=modified_img[:,2]
fig = plt．figure(figsize=(5,5))
ax = plt．a(chǎn)xes(projection ='3d')
ax．scatter(x, y, z)
plt．show()
# Performing unpsupervised learning using K-Means
kmean=KMeans(n_clusters=10)
labels=kmean．fit_predict(modified_img)
#print(kmean．labels_)
#Points as shown according to the labels of KMeans
x=modified_img[:,0]
y=modified_img[:,1]
z=modified_img[:,2]
fig = plt．figure(figsize=(7, 7))
ax = plt．a(chǎn)xes(projection ='3d')
ax．scatter(x, y, z, c=kmean．labels_, cmap='rainbow')
ax．scatter(kmean．cluster_centers_[:,0] ,kmean．cluster_centers_[:,1],kmean．cluster_centers_[:,2], color='black')
plt．show()
#Making frequency of each label set i．e count of no． of data-points in each label
count=Counter(labels)
center_color=kmean．cluster_centers_
ordered_color=[center_color[i] for i in count．keys()]
def rgb2hex(color):
   return "#{:02x}{:02x}{:02x}"．format(int(color[0]),        
int(color[1]), int(color[2]))
hex_color=[rgb2hex(ordered_color[i]) for i in count．keys()]
plt．figure(figsize = (8, 6))
plt．pie(count．values(),labels=hex_color,colors=hex_color,shadow=True)
def get_key(val):
 for key,value in count．items():
   if val==value:
     return key

 return "key doesn't exist"
# Getting the max． color as our background
label_background=get_key(max(count．values()))
background_color=ordered_color[label_background]
hex_color_background=rgb2hex(background_color)
#showing our background in the form of an image．
bg=np．zeros((512,512,3),np．uint8)
bg_color=cv2．rectangle(bg,(0,0),(512,512),background_color,-1)
plt．imshow(bg_color)

所有不同顏色的 3D 繪圖

最常見(jiàn)顏色的餅圖

結(jié)論

通過(guò)本文,向你展示了兩種技術(shù),你可以在其中使用非常簡(jiǎn)單的算法獲取圖像的背景。