Python环境下目标主颜色的检测

Question

我写了一个算法，检测一个图像的主要颜色与一个对象假设背景是平原。我正在运行基本步骤：

• 对整个图像运行k-means算法（k=10）
• 删除与pixel（0,0）具有相同类的点
• 运行一个新的k-means算法，剩余的点（k=3）=>；3个主颜色

虽然这可能不是最聪明的算法，但我对结果非常满意，除非对象的大部分颜色与背景相同。例如，当对象在白色背景下主要是白色时，该算法自然倾向于将对象的白点与背景进行分类。在

我要怎样才能有一个在所有情况下都有效的通用方法（我对白色物体没有任何先验知识）？假设物体在水平和垂直方向上都居中是可以的。然而，对于物体的形状或颜色的多少，我们无法作出任何假设（有时它是平淡的，有时它有许多不同的颜色）。谢谢！在

（我相信我已经看过所有可能的相关帖子！）在

编辑： 我得到的典型结果是：

这就是第一个k-means如何对点进行分类（左：k=10，右：k=3）：

Answer 1

你不太清楚当前的问题是什么。你能贴一张截图吗？在

也许你的意思是靠近对象边缘的区域（在对象和背景之间）被错误地分类为背景颜色，也就是说，你的算法剪裁过多。在这种情况下，可以使用边缘检测算法来检测对象和背景之间的边界。一旦你知道了边缘，你就知道了内部，所以你应该能够删掉除了内部之外的所有内容，然后重新运行你的算法。在

如果你的意思是对象的内部被归类为背景，那么你可以做一个泛洪填充算法。如果您对它尝试分类的每个区域进行泛洪填充，则拒绝任何不能完全泛洪填充到像素（0,0）的区域。这将给您留下一个不与对象重叠的区域列表。在

Answer 2

一些想法：

1）如果背景颜色是恒定的（例如，所有像素都是相同的颜色），您可以通过查找空间连接的最大组件来找到背景，该组件包含所有相同（或在某个阈值内相同）颜色的像素。您可以删除背景，然后对剩余的图像运行K-Means。在

2）如果图像中的组件与背景属于同一个簇，但在图像中没有连接，则可以通过运行连接组件算法将其拆分。或者，如果您在运行K-Means时没有包含空间信息（例如像素坐标），您可以这样做。在

3）你也可以尝试增加K值，直到对象从背景中分离（对于大多数/所有图像）。在