RGB图像精确色彩量化：基于聚类与超像素分割的实现

import numpy as np
import matplotlib.pyplot as plt
from skimage import io

# 假设 R2, G2, B2 是图像的R, G, B通道数据，范围0-255
# quant 是用于存储量化结果的数组
# n 是目标颜色数量的一个因子，例如 n=64

# 示例：创建一个模拟的图像数据
image_path = 'your_image.jpg' # 替换为你的图像路径
try:
    img = io.imread(image_path)
except FileNotFoundError:
    print(f"警告：找不到图像文件 '{image_path}'，使用模拟数据。")
    img = (np.random.rand(100, 100, 3) * 255).astype(np.uint8) # 创建一个100x100的随机图像

R2, G2, B2 = img[:,:,0], img[:,:,1], img[:,:,2]
quant = np.zeros_like(img, dtype=np.uint8)

n_bins_per_channel = 256 // (64 // 4) # 假设 n=64，每个通道分配16个bin
quant[:,:,0] = np.floor_divide(R2, n_bins_per_channel) * n_bins_per_channel
quant[:,:,1] = np.floor_divide(G2, n_bins_per_channel) * n_bins_per_channel
quant[:,:,2] = np.floor_divide(G2, n_bins_per_channel) * n_bins_per_channel

# plt.imshow(quant)
# plt.title("简单分箱量化")
# plt.show()

from skimage import io, segmentation, color
import numpy as np
import matplotlib.pyplot as plt

def quantize_image_slic(image_path, n_colors=64):
    """
    使用skimage.segmentation.slic对图像进行精确色彩量化。

    Args:
        image_path (str): 输入图像的路径。
        n_colors (int): 目标颜色数量。

    Returns:
        numpy.ndarray: 量化后的图像。
    """
    try:
        # 读取图像，确保是浮点类型以便处理，并标准化到[0, 1]
        img_rgb = io.imread(image_path)
        if img_rgb.dtype == np.uint8:
            img_rgb = img_rgb / 255.0
    except FileNotFoundError:
        print(f"错误：找不到图像文件 '{image_path}'。")
        return None
    except Exception as e:
        print(f"读取图像时发生错误: {e}")
        return None

    # 将图像从RGB转换为CIELAB，以便在感知均匀的颜色空间中进行聚类
    # slic内部可以自动转换，但手动转换并传入会更明确
    img_lab = color.rgb2lab(img_rgb)

    # 使用SLIC算法进行超像素分割，实际上是颜色聚类
    # n_segments: 目标颜色数量
    # compactness: 极低值，最小化空间距离影响，专注于颜色距离
    # enforce_connectivity: False，不强制超像素连通性，进一步专注于颜色
    # convert2lab: True，确保在LAB空间中处理（即使我们已经手动转换，此参数仍有作用）
    segments = segmentation.slic(
        img_lab,
        n_segments=n_colors,
        compactness=0.01,  # 尽可能小，以优先考虑颜色相似性而非空间距离
        enforce_connectivity=False,
        convert2lab=False, # 因为我们已经手动转换为LAB
        sigma=0 # 不进行高斯平滑
    )

    # 计算每个超像素（颜色聚类）的平均颜色
    # 这将成为该聚类的代表色
    quantized_img_lab = np.zeros_like(img_lab)
    for i in range(n_colors):
        mask = (segments == i)
        if np.any(mask): # 确保该segment存在像素
            avg_color_lab = np.mean(img_lab[mask], axis=0)
            quantized_img_lab[mask] = avg_color_lab

    # 将量化后的图像从CIELAB转换回RGB
    quantized_img_rgb = color.lab2rgb(quantized_img_lab)

    # 将RGB值裁剪到[0, 1]范围并转换为uint8格式
    quantized_img_rgb = np.clip(quantized_img_rgb, 0, 1)
    quantized_img_rgb = (quantized_img_rgb * 255).astype(np.uint8)

    return quantized_img_rgb

# 示例使用
image_path = 'example.jpg' # 替换为你的图像文件路径
n_target_colors = 16 # 目标颜色数量

# 创建一个示例图像文件，如果不存在
try:
    with open(image_path, 'rb') as f:
        pass
except FileNotFoundError:
    print(f"创建模拟图像文件 '{image_path}'...")
    sample_img = (np.random.rand(200, 300, 3) * 255).astype(np.uint8)
    io.imsave(image_path, sample_img)
    print("模拟图像创建完成。")


quantized_image = quantize_image_slic(image_path, n_target_colors)

if quantized_image is not None:
    plt.figure(figsize=(12, 6))
    plt.subplot(1, 2, 1)
    plt.imshow(io.imread(image_path))
    plt.title("原始图像")
    plt.axis('off')

    plt.subplot(1, 2, 2)
    plt.imshow(quantized_image)
    plt.title(f"量化图像 ({n_target_colors} 种颜色)")
    plt.axis('off')
    plt.show()