Couleurs dominantes dans les images

Analyse de grappes en Python

Shaumik Daityari

Business Analyst

Couleurs dominantes dans les images

Toute image est composée de pixels
Chaque pixel a trois valeurs : Red, Green et Blue
Couleur du pixel : combinaison de ces valeurs RGB
Appliquer k-means sur des valeurs RGB normalisées pour trouver les centres de grappes
Utilisations : repérer des éléments dans des images satellites

Pixels d'une image et leurs valeurs RGB

Source

Repérage d'éléments dans des images satellites

Source

Outils pour trouver les couleurs dominantes

Convertir l'image en pixels : matplotlib.image.imread
Afficher les couleurs des centres de grappes : matplotlib.pyplot.imshow

Convertir l'image en matrice RGB

import matplotlib.image as img
image = img.imread('sea.jpg')
image.shape

(475, 764, 3)

r = []
g = []
b = []

for row in image:
    for pixel in row:
        # A pixel contains RGB values
        temp_r, temp_g, temp_b = pixel
        r.append(temp_r)
        g.append(temp_g)
        b.append(temp_b)

DataFrame avec valeurs RGB

pixels = pd.DataFrame({'red': r,
                       'blue': b,
                       'green': g})
pixels.head()

red	blue	green
252	255	252
75	103	81
...	...	...

Créer un graphique du coude

distortions = []
num_clusters = range(1, 11)

# Create a list of distortions from the kmeans method
for i in num_clusters:
    cluster_centers, _ = kmeans(pixels[['scaled_red', 'scaled_blue', 
                                        'scaled_green']], i)
    distortions.append(distortion)

# Create a DataFrame with two lists - number of clusters and distortions
elbow_plot = pd.DataFrame({'num_clusters': num_clusters, 
                           'distortions': distortions})

# Creat a line plot of num_clusters and distortions
sns.lineplot(x='num_clusters', y='distortions', data = elbow_plot)
plt.xticks(num_clusters)
plt.show()

Graphique du coude

Trouver les couleurs dominantes

cluster_centers, _ = kmeans(pixels[['scaled_red', 'scaled_blue', 
                                    'scaled_green']], 2)

colors = []

# Find Standard Deviations
r_std, g_std, b_std = pixels[['red', 'blue', 'green']].std()

# Scale actual RGB values in range of 0-1
for cluster_center in cluster_centers:
    scaled_r, scaled_g, scaled_b = cluster_center
    colors.append((
        scaled_r * r_std/255,
        scaled_g * g_std/255,
        scaled_b * b_std/255
    ))

Afficher les couleurs dominantes

#Dimensions: 2 x 3 (N X 3 matrix)
print(colors)

[(0.08192923122023911, 0.34205845943857993, 0.2824002984155429),
 (0.893281510956742, 0.899818770315129, 0.8979114272960784)]

#Dimensions: 1 x 2 x 3 (1 X N x 3 matrix)
plt.imshow([colors]) 
plt.show()

À suivre : exercices

Analyse de grappes en Python