如何自动确定具有最高对比度的RGBA图像的背景颜色？

Question

背景

我有一堆RGBA图像。想象一下我想显示的图标，徽标或类似图像。这些图像可以具有任何颜色。另请注意，这些图像是RGBA，因此它们具有透明度的第四个Alpha通道。

并发症

最初，我在白色背景上展示了图像。但是，有时整个图像或其中的一部分是白色的，因此这些区域对用户看上去很空。

问题是图像不是全白或全黑。可能有多种颜色和颜色梯度。而且，由于RGBA图像的工作方式，像素并不总是全部颜色和不透明的。即使图像仅在中心显示纯黑图标，也可能在黑色图标的边缘有过渡区域，其像素具有某些透明度或更灰色的颜色。

问题

假定，对于每个图像，我可以在黑色，灰色或白色背景之间进行选择。 如何算法可以确定三种背景颜色选项中的哪个最适合任何单独的RGBA图像？

“最佳”是指图像的任何区域都不能虚假地出现空白，并且图像和背景之间的对比度最高。

示例

在下面的玩具示例中，我想显示的图标周围有一个白色圆圈。因此，我不能将白色用作背景颜色。我需要选择灰色或黑色。黑色是最好的，因为它最大化对比度。

在第二个玩具示例中，情况变得更加复杂，因为不同颜色的多个区域直接接触图像的透明区域。黑色背景似乎具有最高的对比度，但不再是微不足道的。

想法

• 不透明区域的内部没有关系。背景颜色不会影响可见度。
• 完全透明区域的内部没有关系。没有什么可以看不见的。
• 我可能需要在不透明和透明之间的这些过渡区域中找到这些像素。然后确定这些颜色。

这似乎效率低下。由于大多数图标，徽标等都是为了明亮或黑暗的背景而设计的，因此也许足以在不透明和透明之间的过渡区域进行一些像素进行采样？

我觉得我正在重新发明轮子，并且有人以前已经找到了解决这个问题的解决方案。

stackoverflow上的现有问题

• 我发现了有关背景颜色确定最佳字体颜色的现有问题。但是我的问题是不同的。我看到的问题仅处理仅在两种简单的RGB颜色之间最大化对比度。

附加示例3

请注意该徽标周围如何具有细小的白线。这意味着最佳背景颜色可能应该是黑色的。

可以与之播放的示例

这里有十几个左右的RGBA图像可以播放。我不拥有版权 - 这仅是为了说明问题。 ”

我添加了所有示例图像，从左到右如下：

• 在棋盘上，在棋盘上显示
• 上的
• 在白色背景上的黑色
• 背景
• 透明区域，而仅提取了alpha通道

Answer 1

这个想法是计算图像的最“主要”颜色，然后选择与图像中最强的颜色相反的相应背景颜色。因为我们只能选择白色，灰色或黑色；我们可以假设最大化对比度的最佳颜色等于与最主要的颜色相反的颜色。这是一种使用 sklearn.cluster.kmean.kmean.kmeans（）

---

the我们可以选择的三个可能的rgb颜色代码是：

White: rgb(255, 255, 255)
Gray: rgb(128, 128, 128)
Black: rgb(0, 0, 0)

我们可以通过找到优势颜色的平均值来计算最佳颜色，并将其分类在颜色区域之间。由于颜色通道的范围从[0-255]，我们可以简单地将其分为三个象限：

# Find best color
if dominant_color_average <= 85:
    print('White!')
elif dominant_color_average > 85 and dominant_color_average <= 170:
    print('Gray!')
elif dominant_color_average > 170:
    print('Black!')

---

以下是一些示例：

使用n_clusters = 5，以下是最主要的 每种颜色的颜色和百分比分布

[217 215 213] 2.66%
[158 156 154] 2.80%
[84 82 79] 3.02%
[19 16 14] 6.87%
[254 254 254] 84.66%

可视化（在深色背景上，您可以看到白色）

结果

Dominant color: [254, 254, 254]
Dominant color average: 254
Black!

第二张图像

n_clusters = 5，以下是最主要的颜色和

[ 27 172 221] 0.84%
[179 186 188] 1.99%
[239 241 241] 10.98%
[118 118 118] 21.18%
[254 254 254] 65.02%

每种颜色的百分比分布（在黑暗的背景下，您可以看到白色

的示例徽标

Dominant color: [254, 254, 254]
Dominant color average: 254
Black!

具有主导的白色示例，因此最好的背景应该是黑色。可能会有一种更有趣的方法来计算最佳颜色，但我会把它留给您。

---

徽标的结果不是主要是白色

[249 247 249] 8.34%
[197  46 140] 21.02%
[173  74 213] 22.45%
[149 150 215] 22.68%
[205 103  84] 25.51%

Dominant color: [205, 103, 84]
Dominant color average: 130
Gray!

[220 246 246] 0.84%
[ 25 210 234] 11.26%
[  8  74 111] 22.17%
[  7 126 175] 23.17%
[ 2 28 45] 42.56%

Dominant color: [2, 28, 45]
Dominant color average: 25
White!

​=“ https://i.sstatic.net/xk13d.png” alt =“在此处输入图像说明”>

[120 180 218] 2.51%
[  2  89 148] 5.76%
[245 245 248] 8.51%
[237  29  59] 11.43%
[  0 123 196] 71.79%

Dominant color: [0, 123, 196]
Dominant color average: 106
Gray!

[ 17 124 143] 1.53%
[26 75 84] 1.74%
[  7 173 203] 1.84%
[  0 215 254] 22.30%
[33 34 34] 72.58%

Dominant color: [33, 34, 34]
Dominant color average: 33
White!

代码

import cv2
import numpy as np
from sklearn.cluster import KMeans

def visualize_colors(cluster, centroids, exact=False):
    # Get the number of different clusters, create histogram, and normalize
    labels = np.arange(0, len(np.unique(cluster.labels_)) + 1)
    (hist, _) = np.histogram(cluster.labels_, bins = labels)
    hist = hist.astype("float")
    hist /= hist.sum()
    
    # Convert each RGB color code from float to int
    if not exact:
        centroids = centroids.astype("int")
    
    # Create frequency rect and iterate through each cluster's color and percentage
    rect = np.zeros((50, 300, 3), dtype=np.uint8)
    colors = sorted([(percent, color) for (percent, color) in zip(hist, centroids)])
    start = 0
    for (percent, color) in colors:
        print(color, "{:0.2f}%".format(percent * 100))
        end = start + (percent * 300)
        cv2.rectangle(rect, (int(start), 0), (int(end), 50), \
                      color.astype("uint8").tolist(), -1)
        start = end
    return colors, rect

# Load image and convert to a list of pixels
image = cv2.imread('1.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
reshape = image.reshape((image.shape[0] * image.shape[1], 3))

# Find and display most X dominant colors
cluster = KMeans(n_clusters=5).fit(reshape)
colors, visualize = visualize_colors(cluster, cluster.cluster_centers_)
visualize = cv2.cvtColor(visualize, cv2.COLOR_RGB2BGR)

# Obtain dominant RGB color code
dominant_color = colors[-1][1].tolist()
dominant_color_average = int(sum(dominant_color) / 3)
print('Dominant color:', dominant_color)
print('Dominant color average:', dominant_color_average)

# Find best color
if dominant_color_average <= 85:
    print('White!')
elif dominant_color_average > 85 and dominant_color_average <= 170:
    print('Gray!')
elif dominant_color_average > 170:
    print('Black!')

cv2.imshow('visualize', visualize)
cv2.waitKey()

Answer 2

这更像是“进行中的工作” ，而不是一个完整的答案 - 但没有要求Afaik完成SO答案，任何其他人都欢迎您采用这个想法并发展或发展适应它。

因此，虽然我还没有提出完整的解决方案，但我试图解决您问题的部分，上面说“不透明区域的内部无关紧要” 以及内部部分透明区域。我的想法是，如果您可以识别出和不重要的零件，那么您将更接近解决方案...

我只是在这里的终端中使用 Imagemagick ，但是您可以做到如果该方法证明有用，则与Python相同。因此，如果我拍摄您的第一张图像，我可以以下提取alpha频道：

magick example_1.png -alpha extract alpha.png

如果我现在在边缘周围添加一个1像素宽的黑色边框，我可以在红色从0,0开始，红色意志“流” 沿新边界的边缘周围，并从各个方面渗入图像，但没有达到透明的内部岛屿。边界的原因是如果黑色接触图像的边缘，这允许一个微小的1像素通道以使洪水在障碍物周围流动：

magick example_1.png -alpha extract -bordercolor black -border 1 -fill red -draw "color 0,0 floodfill" result.png

​红色像素是您认为自己感兴趣的……，接下来需要发生的事情是进一步思考的主题。我想我们可以使剩余的黑色零件白色：

magick example_1.png -alpha extract -bordercolor black -border 1 -fill red -draw "color 0,0 floodfill" -fill white -opaque black result.png

，然后将其推回图像作为新的，修改的alpha通道。

---

这是其他几个样本接受相同处理的样本，因此您可以看到它的发展方向。