python 实现图像快速替换某种颜色
更新时间：2020年06月04日 11:25:25 作者：grayondream
这篇文章主要介绍了python 实现图像快速替换某种颜色，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
最近的对图像数据进行处理的时候需要将图像中的某个颜色替换为另一个颜色，但是网络上找到的方法都是通过对图像的遍历进行替换，实在是太费时了！刚开始使用时觉得CPU很快了，一张图片应该用不了多久，但是实际使用中耗时确实难以接受的！于是自己写了一个替换程序加快速度，比遍历快很多，但我觉得不是最快的，应该有通过矩阵索引更快的处理方式，只是我自己暂时并不知道该如何实现，如果以后能够实现会进行更新，暂时先写下自己暂时觉得可用的代码。
一、通过遍历替换
将图像中某个颜色替换为另一个颜色一般的做法是遍历整个图像，逐一替换，如下：
def replace_color_tran(img, src_clr, dst_clr): ''' 通过遍历颜色替换程序 @param img: 图像矩阵 @param src_clr: 需要替换的颜色(r,g,b) @param dst_clr: 目标颜色 (r,g,b) @return 替换后的图像矩阵 ''' img_arr = np.asarray(img, dtype=np.double) dst_arr = img_arr.copy() for i in range(img_arr.shape[1]): for j in range(img_arr.shape[0]): if (img_arr[j][i] == src_clr)[0] == True: dst_arr[j][i] = dst_clr return np.asarray(dst_arr, dtype=np.uint8)
二、通过矩阵操作加快替换
但是这样做，处理速度是很慢的即便是现在CPU很快的情况下。我自己通过numpy矩阵操作将速度提升了一点，具体做法如下：
将图像的三个通道拆分开来为R，G，B三个通道
将三个通道的数据值进行简单的编码，合并为单通道矩阵；
将需要替换的颜色进行同2的编码，利用改编码在2中得到的矩阵中得到对应颜色的索引；
利用3中得到的索引将R，G，B三个通道中的对应颜色值替换为目标值；
将得到的三个通道合并为一个图像数据。
具体实现如下:
def replace_color(img, src_clr, dst_clr): ''' 通过矩阵操作颜色替换程序 @param img: 图像矩阵 @param src_clr: 需要替换的颜色(r,g,b) @param dst_clr: 目标颜色 (r,g,b) @return 替换后的图像矩阵 ''' img_arr = np.asarray(img, dtype=np.double) r_img = img_arr[:,:,0].copy() g_img = img_arr[:,:,1].copy() b_img = img_arr[:,:,2].copy() img = r_img * 256 * 256 + g_img * 256 + b_img src_color = src_clr[0] * 256 * 256 + src_clr[1] * 256 + src_clr[2] #编码 r_img[img == src_color] = dst_clr[0] g_img[img == src_color] = dst_clr[1] b_img[img == src_color] = dst_clr[2] dst_img = np.array([r_img, g_img, b_img], dtype=np.uint8) dst_img = dst_img.transpose(1,2,0) return dst_img
三、结果对比
先看下具体的实现结果，全部测试程序文末给出,(上面的图片是原图，下面是替换后的图片)。
四、程序解释
通过如下方式编码的原因是r，g，b三原色的数值本身是顺序相关的，为了保证最后索引的一致与准确性，采用将不同数值错位开。这里的magic number采用256是因为三原色的数值的范围是[0,255]，这样相乘可以保证数据在二进制上的完全相互交错而保证该编码是绝对正确的，当然也可以采用其他形式的编码或者数值选择其他数值，我这样选择是为了保险起见而已。
img = r_img * 256 * 256 + g_img * 256 + b_img src_color = src_clr[0] * 256 * 256 + src_clr[1] * 256 + src_clr[2] #编码
五、完整的测试程序
完整的程序：
from PIL import Image
import os
import numpy as np
import time
def replace_color(img, src_clr, dst_clr):
''' 通过矩阵操作颜色替换程序
@param img: 图像矩阵
@param src_clr: 需要替换的颜色(r,g,b)
@param dst_clr: 目标颜色 (r,g,b)
@return 替换后的图像矩阵
'''
img_arr = np.asarray(img, dtype=np.double)
#分离通道
r_img = img_arr[:,:,0].copy()
g_img = img_arr[:,:,1].copy()
b_img = img_arr[:,:,2].copy()
#编码
img = r_img * 256 * 256 + g_img * 256 + b_img
src_color = src_clr[0] * 256 * 256 + src_clr[1] * 256 + src_clr[2]
#索引并替换颜色
r_img[img == src_color] = dst_clr[0]
g_img[img == src_color] = dst_clr[1]
b_img[img == src_color] = dst_clr[2]
#合并通道
dst_img = np.array([r_img, g_img, b_img], dtype=np.uint8)
#将数据转换为图像数据(h,w,c)
dst_img = dst_img.transpose(1,2,0)
return dst_img
def replace_color_tran(img, src_clr, dst_clr):
''' 通过遍历颜色替换程序
@param img: 图像矩阵
@param src_clr: 需要替换的颜色(r,g,b)
@param dst_clr: 目标颜色 (r,g,b)
@return 替换后的图像矩阵
'''
img_arr = np.asarray(img, dtype=np.double)
dst_arr = img_arr.copy()
for i in range(img_arr.shape[1]):
for j in range(img_arr.shape[0]):
if (img_arr[j][i] == src_clr)[0] == True:
dst_arr[j][i] = dst_clr
return np.asarray(dst_arr, dtype=np.uint8)
img = '1.jpg'
img = Image.open(img).convert('RGB')
res_img = img.copy()
count = 20
matrix_time = 0
trans_time = 0
for i in range(count):
print(i)
start = time.time()
dst_img = replace_color(img, (8,10,51), (255,0,0))
end = time.time()
matrix_time += (end - start)
start = time.time()
dst_img = replace_color_tran(img, (8,10,51), (255,0,0))
end = time.time()
trans_time += (end - start)
res_img = dst_img
res_img = Image.fromarray(res_img)
res_img.save('2.jpg')
print('矩阵操作花费时间：', matrix_time / count )
print('遍历操作花费时间：', trans_time / count )
以上这篇python 实现图像快速替换某种颜色就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
蚂蚁森林是一项旨在带动公众低碳减排的公益项目，每个人的低碳行为在蚂蚁森林里可计为"绿色能量"，很多小伙伴都玩过，今天小编给大家分享一篇教程关于Python抢回在蚂蚁森林逝去的能量，感兴趣的朋友跟随小编一起看看吧2022-03-03
这篇文章主要为大家详细介绍了Python实现将内容转为base64编码与解码的示例代码，文中的示例代码讲解详细，感兴趣的小伙伴可以了解一下2023-02-02
今天小编就为大家分享一篇关于Python基于滑动平均思想实现缺失数据填充的方法，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2019-02-02
非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小2021-06-06
python-opencv在有噪音的情况下提取图像的轮廓实例
下面小编就为大家带来一篇python-opencv在有噪音的情况下提取图像的轮廓实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-08-08
这篇文章主要介绍了Python列表推导式,元组推导式,字典推导式,集合推导式,文章围绕主题展开详细的内容介绍，具有一定的参考价值，需要的朋友可以参考一下2022-09-09
这篇文章会从加载数据开始,一步步教大家如何格式化数据、保存数据,最后还会教大家如何加载处理后的数据,感兴趣的小伙伴可以跟随小编一起学习一下2024-12-12
这篇文章主要介绍了Python学习之盘点一些Python中实用的库，有需要的同学可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2021-09-09
这篇文章主要介绍了Python内置方法和属性应用：反射和单例,本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2020-06-06
这篇文章主要介绍了状态机的概念和在Python下使用状态机的教程,本文来自于IBM官方开发者技术文档,需要的朋友可以参考下2015-04-04
最新评论