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 Image
def 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 Tuple
def 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, Tuple
def 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 = dist
color_name = name
return color_name
def 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 np
def 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 Mask
sample_mask = np.load("sky_mask.npy") # 载入二值化 Mask
image_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！