如何架设网站服务器seo数据

引言

在计算机视觉领域，获取天空的颜色是一个常见任务，广泛应用于天气分析、环境感知和图像增强等场景。本篇博客将介绍如何通过已知的天空区域 Mask 提取天空像素，并使用 K-means 聚类分析天空颜色，最终根据颜色占比查表得到主导颜色。

一、流程概述

本文的流程分为以下几个步骤：

1. 使用分割 Mask 提取天空区域像素。
2. 通过 K-means 聚类对天空像素进行颜色聚类。
3. 统计每个聚类的面积占比，筛选面积占比超过 30% 的颜色。
4. 根据筛选结果查表获取对应的颜色名称。
接下来我们将详细讲解每个步骤。

二、提取天空区域像素

分割 Mask 是一个二值化的图像，其中 1 表示天空区域，0 表示非天空区域。通过 Mask，可以从原图中提取出天空区域的像素。

from typing import Tuple
import numpy as np
from PIL import Imagedef extract_sky_pixels(image_path: str, sky_mask: np.ndarray) -> np.ndarray:"""根据天空区域的 Mask 提取像素。:param image_path: 输入图像的路径。:param sky_mask: 天空区域的二值化 Mask，1 表示天空，0 表示非天空。:return: 天空区域的像素数组，形状为 (N, 3)，每行表示一个像素的 [R, G, B] 值。"""image = Image.open(image_path).convert("RGB")image_np = np.array(image)  # 转为 NumPy 数组return image_np[sky_mask == 1]  # 仅保留天空区域的像素

三、K-means 聚类分析天空颜色

提取天空像素后，我们使用 K-means 聚类将颜色分为若干类（默认设定为 k=3），并统计每类颜色的面积占比。
以下是 K-means 聚类的代码实现：

from sklearn.cluster import KMeans
from typing import Tupledef kmeans_clustering(sky_pixels: np.ndarray, k: int = 3) -> Tuple[np.ndarray, np.ndarray]:"""使用 K-means 对天空像素聚类。:param sky_pixels: 天空区域的像素数组，形状为 (N, 3)，每行表示 [R, G, B] 值。:param k: 聚类的数量，默认值为 3。:return: - cluster_centers: 每个聚类的中心颜色，形状为 (k, 3)。- area_ratios: 每个聚类的面积占比，形状为 (k,)。"""# 归一化像素值（0-1 范围）sky_pixels_normalized = sky_pixels / 255.0# 使用 K-means 聚类kmeans = KMeans(n_clusters=k, random_state=0).fit(sky_pixels_normalized)# 获取每个像素的聚类标签labels = kmeans.labels_# 每个聚类的中心颜色cluster_centers = kmeans.cluster_centers_ * 255.0# 统计每个聚类的像素数量label_counts = np.bincount(labels)# 计算每个聚类的面积占比area_ratios = label_counts / len(sky_pixels)return cluster_centers, area_ratios

四、筛选主导颜色并查表

我们关心面积占比超过 30% 的颜色，并通过查表将 RGB 值转换为对应的颜色名称。
以下是颜色查表和筛选的代码：

from typing import List, Tupledef rgb_to_color_name(rgb: np.ndarray) -> str:"""根据 RGB 值查表获取颜色名称。:param rgb: RGB 颜色值，形状为 (3,)。:return: 颜色名称。"""# 定义常见颜色的 RGB 值和名称color_table = {"Sky Blue": (135, 206, 235),"Deep Sky Blue": (0, 191, 255),"Light Blue": (173, 216, 230),"Azure": (240, 255, 255),"Navy": (0, 0, 128)}# 计算每个颜色的欧几里得距离min_dist = float('inf')color_name = "Unknown"for name, value in color_table.items():dist = np.linalg.norm(np.array(rgb) - np.array(value))if dist < min_dist:min_dist = distcolor_name = namereturn color_namedef filter_and_get_color_names(cluster_centers: np.ndarray, area_ratios: np.ndarray, threshold: float = 0.3
) -> List[Tuple[str, float]]:"""筛选面积占比超过阈值的颜色，并查表获取颜色名称。:param cluster_centers: 每个聚类的中心颜色，形状为 (k, 3)。:param area_ratios: 每个聚类的面积占比，形状为 (k,)。:param threshold: 面积占比的筛选阈值，默认为 0.3。:return: 主导颜色及其面积占比的列表，每个元素为 (颜色名称, 面积占比)。"""colors = []for center, ratio in zip(cluster_centers, area_ratios):if ratio > threshold:color_name = rgb_to_color_name(center)colors.append((color_name, ratio))return colors

五、完整代码示例

以下是完整的流程代码，实现从分割 Mask 提取天空颜色的过程：

from typing import List, Tuple
import numpy as npdef get_sky_colors(image_path: str, sky_mask: np.ndarray, k: int = 3, threshold: float = 0.3) -> List[Tuple[str, float]]:"""获取天空区域的主导颜色。:param image_path: 输入图像的路径。:param sky_mask: 天空区域的二值化 Mask，1 表示天空，0 表示非天空。:param k: 聚类的数量，默认值为 3。:param threshold: 面积占比的筛选阈值，默认为 0.3。:return: 主导颜色及其面积占比的列表，每个元素为 (颜色名称, 面积占比)。"""# Step 1: 提取天空像素sky_pixels = extract_sky_pixels(image_path, sky_mask)# Step 2: K-means 聚类cluster_centers, area_ratios = kmeans_clustering(sky_pixels, k)# Step 3: 筛选并查表获取颜色名称dominant_colors = filter_and_get_color_names(cluster_centers, area_ratios, threshold)return dominant_colors# 测试
if __name__ == "__main__":# 假设已知分割 Masksample_mask = np.load("sky_mask.npy")  # 载入二值化 Maskimage_path = "example.jpg"  # 输入图像路径sky_colors = get_sky_colors(image_path, sample_mask)print("天空颜色：", sky_colors)

六、总结

通过分割 Mask 和 K-means 聚类，我们可以高效提取天空区域的颜色特征，并获取主导颜色。这种方法简单易用，适合多种场景需求。
希望这篇博客能帮助你快速上手天空颜色提取的实现！如有疑问，欢迎在评论区交流！