Help us understand the problem. What is going on with this article?

Pythonで画像からメインカラーを抽出する

More than 1 year has passed since last update.

TL;DR

output_42_0.png

↑などの画像から、

output_48_0.png

↑みたいに、メインカラーをPythonで抽出します。

使うもの

  • scikit-learn(k-means法)
  • PIL、OpenCV(画像周り)

サンプルデータ

元々はDCGANモデル検証でのイラストの色変換などのためのデータセットでカラーヒントを用意するためだったのですが、ここではフリー素材の写真を使ってみます。(イラスト側でも問題なく対応できるのは確認済みです)

KAZ7842_DSCF3133_TP_V.jpg

https://www.pakutaso.com/20160102025post-6676.html

nuko-8_TP_V4.jpg

https://www.pakutaso.com/20180234044post-15166.html

kazuhiro17810000_TP_V.jpg

https://www.pakutaso.com/20170835230post-12885.html

rtethjdyrsetgshf_TP_V.jpg

https://www.pakutaso.com/20170333074post-10666.html

スクリプト

画像の読み込みと変換

花の画像を対象に進めていきます。

import PIL
from PIL import Image
import cv2
import sklearn
from sklearn.cluster import KMeans
cv2_img = cv2.imread('./flower.jpg')

OpenCV、読み込んだままだとカラーチャンネルの順番がRGBになっていないようなので変換をしておきます。

cv2_img = cv2.cvtColor(cv2_img, cv2.COLOR_BGR2RGB)

処理の都合、(縦, 横, カラーチャンネル)の形式の画像のテンソルを、(縦と横をフラット化させた値, カラーチャンネル)の2次元の形式に変換しておきます。

cv2_img.shape
(900, 1600, 3)
cv2_img = cv2_img.reshape(
    (cv2_img.shape[0] * cv2_img.shape[1], 3))
cv2_img.shape
(1440000, 3)

クラスタリング

k-means法でクラスタリングを行います。各ピクセルの色で、指定したクラスタ数でクラスタリングされ、その各クラスタの中央の座標の色をメインカラーとして扱います。

引数のn_clusterはクラスター数となります。今回はメインカラーを5色算出したいので、5を指定していますが、適宜調整してください。

cluster = KMeans(n_clusters=5)

対象画像に対してクラスタリングを行います。画像サイズによっては少し時間がかかります。

cluster.fit(X=cv2_img)
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
    n_clusters=5, n_init=10, n_jobs=1, precompute_distances='auto',
    random_state=None, tol=0.0001, verbose=0)

cluster_centers_ という属性に、各クラスタの中央の値(RGBの値)が格納されます。

cluster.cluster_centers_
array([[211.60346671, 238.98895507, 231.41817764],
       [104.07336583, 143.33552179, 167.95419295],
       [183.88814356,  93.68673428,  49.43004867],
       [167.54667869, 212.4601815 , 211.04911242],
       [ 63.75784365,  60.18503292,  86.27467466]])
cluster.cluster_centers_.shape
(5, 3)

クラスタ数を5にし、RGB3チャンネルの画像なので、(5, 3)の配列となりました。

色を表示してみる

RGBの配列だとイメージがつきづらいので、PILを使って単色画像でそれぞれ表示してみます。

Pythonでは、02xと指定することで、0~255までの値を16進数の00~ffのフォーマットにしてくれるので、それを使って#ffffffといった文字列を用意してPILに渡します。

format(255, '02x')
'ff'
'#%02x%02x%02x' % (255, 255, 255)
'#ffffff'

浮動小数点数は不要なので、キャストしておきます。(16進数変換の都合)

cluster_centers_arr = cluster.cluster_centers_.astype(
    int, copy=False)

ループで回す都合、Jupyter上で全ての画像を表示するためにdisplay関数を使用します。(そのままだと最後の画像しか、アウトプットとして表示されないため)

from IPython.display import display
for rgb_arr in cluster_centers_arr:
    color_hex_str = '#%02x%02x%02x' % tuple(rgb_arr)
    color_img = Image.new(
        mode='RGB', size=(32, 32), color=color_hex_str)
    display(color_img)

output_38_0.png

output_38_1.png

output_38_2.png

output_38_3.png

output_38_4.png

元画像を表示してみて、比較してみます。

original_img = Image.open('./flower.jpg')
original_img.size
(1600, 900)
original_img.resize((320, 180))

output_42_0.png

いい感じです。

おまけで、PILを使って背景をグレーにし、横並びの画像を作ってみます。

# 幅と高さ64px × 横並び5画像 + 上下左右余白15pxずつの画像を作ります。
IMG_SIZE = 64
MARGIN = 15
width = IMG_SIZE * 5 + MARGIN * 2
height = IMG_SIZE + MARGIN * 2
print(width, height)
350 94
tiled_color_img = Image.new(
    mode='RGB', size=(width, height), color='#333333')

この段階では上記の用意した画像は、グレーの横長画像です。

この画像に、各クラスタの色の画像をペーストしていきます。PILのpaste関数を使います。引数のboxで、左の余白値、上の余白値といった具合でペーストする位置を設定できるので、ループのインデックスを加味して位置を指定します。

Pythonでループのインデックスを取りたい場合には、enumerate関数を使うとindex, valueといった形で扱えるのでシンプルです。

for i, rgb_arr in enumerate(cluster_centers_arr):
    color_hex_str = '#%02x%02x%02x' % tuple(rgb_arr)
    color_img = Image.new(
        mode='RGB', size=(IMG_SIZE, IMG_SIZE),
        color=color_hex_str)
    tiled_color_img.paste(
        im=color_img,
        box=(MARGIN + IMG_SIZE * i, MARGIN))
tiled_color_img

output_48_0.png

Adobe Color CCの探索画面みたいなカラーセット画像を用意することができました。

他の画像で試して見る

関数化して、他の写真でも試してみましょう。

def get_main_color_list_img(img_path):
    """
    対象の画像のメインカラーを算出し、色を横並びにしたPILの画像を取得する。

    Parameters
    ----------
    img_path : str
        対象の画像のパス。

    Returns
    -------
    tiled_color_img : Image
        色を横並びにしたPILの画像。
    """
    cv2_img = cv2.imread(img_path)
    cv2_img = cv2.cvtColor(cv2_img, cv2.COLOR_BGR2RGB)
    cv2_img = cv2_img.reshape(
        (cv2_img.shape[0] * cv2_img.shape[1], 3))

    cluster = KMeans(n_clusters=5)
    cluster.fit(X=cv2_img)
    cluster_centers_arr = cluster.cluster_centers_.astype(
        int, copy=False)

    IMG_SIZE = 64
    MARGIN = 15
    width = IMG_SIZE * 5 + MARGIN * 2
    height = IMG_SIZE + MARGIN * 2

    tiled_color_img = Image.new(
        mode='RGB', size=(width, height), color='#333333')

    for i, rgb_arr in enumerate(cluster_centers_arr):
        color_hex_str = '#%02x%02x%02x' % tuple(rgb_arr)
        color_img = Image.new(
            mode='RGB', size=(IMG_SIZE, IMG_SIZE),
            color=color_hex_str)
        tiled_color_img.paste(
            im=color_img,
            box=(MARGIN + IMG_SIZE * i, MARGIN))
    return tiled_color_img
def get_original_small_img(img_path):
    """
    元画像の小さくリサイズしたPILの画像を取得する。

    Parameters
    ----------
    img_path : str
        対象の画像のパス。

    Returns
    -------
    img : Image
        リサイズ後の画像。
    """
    img = Image.open(fp=img_path)
    width = int(img.size[0] / 5)
    height = int(img.size[1] / 5)
    img = img.resize(size=(width, height))
    return img
get_original_small_img(img_path='./cat.jpg')

output_53_0.png

get_main_color_list_img(img_path='./cat.jpg')

output_54_0.png

get_original_small_img(img_path='./sky.jpg')

output_55_0.png

get_main_color_list_img(img_path='./sky.jpg')

output_56_0.png

get_original_small_img(img_path='./buildings.jpg')

output_57_0.png

get_main_color_list_img(img_path='./buildings.jpg')

output_58_0.png

実行環境

  • Azure Notebooks
!python -V
Python 3.5.4 :: Anaconda custom (64-bit)
PIL.__version__
'4.3.0'
cv2.__version__
'3.3.1'
sklearn.__version__
'0.18.1'

参考サイト

OpenCV and Python K-Means Color Clustering

おまけ

ノートをgithubにアップしておきました。

20180503_画像からメインカラーを抽出する.ipynb

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした