Una técnica clave en las aplicaciones de edición de imágenes es determinar los colores dominantes. La identificación de estos colores dominantes es esencial para crear la paleta de una imagen, que, a su vez, refleja con precisión el efecto de las herramientas seleccionadas y los resultados de la edición.  Este artículo profundizará en cómo determinar la paleta de una imagen dentro de un espacio de color restringido, identificar los colores dominantes de una imagen y diferenciar entre una paleta y los colores dominantes.   Paleta  La paleta de imágenes suele ser una referencia a todos los colores presentes en la imagen original. En esencia, captura toda la gama de tonos de color, basándose en la escala numérica de los valores de las señales de estímulo de color.  Si acordamos modelar una señal con un cierto nivel de precisión, entonces el rango de estos valores de señal representará nuestra paleta de colores disponible.  Cada representación única de una imagen y el mapeo de los colores de una imagen en este espacio serán un subconjunto de ella. En el procesamiento de señales digitales (una imagen también es una señal), a menudo entendemos una variedad de cantidades a través de su representación discreta.  Por lo tanto, nuestra paleta de imágenes puede verse como un subconjunto de todos los colores de la imagen representados por un mapa discreto. Cada color se puede indexar y asignar un valor específico en uno de los espacios de color. Para nuestros propósitos, usaremos el modelo de color RGB.  Un desafío importante al presentar la paleta de imágenes de esta manera es la inmensidad de la visibilidad humana. Es poco probable que podamos analizar manualmente toda la paleta de imágenes y, a menudo, no tiene sentido almacenar una imagen representada por todos los colores originales. En lugar de ello, reducimos su número a un límite razonable.  Este proceso, conocido como cuantificación de color, implica reducir la cantidad de colores del subconjunto completo que se puede representar en una imagen a uno más pequeño. Por ejemplo, los datos de color sin procesar de 14 bits pueden representarse en JPEG de 8 bits o TIFF de 16 bits convertidos a PNG de 8 bits.  Una solución sencilla para determinar los colores primarios de una imagen es visualizar el proceso de cuantificación del color en un conjunto muy limitado, como 8 o incluso 3 colores. Esto nos da una idea de los colores primarios de la imagen, haciéndolos más visibles y memorables.  Lo ideal es que los colores de la imagen final sean armoniosos, siguiendo los principios marcados por   o   . Johannes Itten Matyushin  Al identificar los colores dominantes de una imagen, podemos crear una herramienta que nos permita visualizar la "armonía" de la imagen. Esto también puede aplicarse a la armonía de la imagen después del filtrado, o "armonización sintética".  A continuación, intentaremos desarrollar dicha herramienta.    Corte mediano  Un algoritmo ampliamente utilizado y de alta calidad para comprimir la paleta de una imagen es el algoritmo Median Cut. Está incorporado en la mayoría de los principales algoritmos de compresión de imágenes con pérdida, como JPEG, aunque con algunas modificaciones.  El principio fundamental del algoritmo Median Cut es dividir secuencialmente el histograma cúbico de la imagen en medianas. Cada subcubo resultante contiene aproximadamente un número igual de contenedores o píxeles del mismo color.  Una vez que el proceso de división alcanza un número predeterminado de subcubos, calculamos el color promedio de cada cubo y lo asignamos a los colores correspondientes de la imagen original. Este proceso reduce efectivamente la cantidad de colores en la imagen original, lo que nos permite comprimir la imagen en un tamaño de archivo más pequeño.  A primera vista podría parecer que la parte inicial de este algoritmo podría resolver nuestro problema de identificar los colores primarios o dominantes de una imagen. Sin embargo, surge un problema potencial cuando la cantidad de colores en los que dividimos la imagen es muy pequeña y solo estamos analizando una pequeña cantidad de colores.  Podríamos terminar identificando colores que en realidad no existen en la imagen porque los colores están excesivamente promediados. Podríamos elegir el color con el contenedor máximo de cada cubo y etiquetarlo como dominante, pero entonces ya no constituiría una paleta.  Por lo tanto, reservaremos este enfoque para determinar     de la paleta de la imagen, que también puede usarse como herramienta para analizar visualmente la imagen en términos de su "utilidad armoniosa". Para identificar los colores dominantes, emplearemos análisis estadístico: buscando máximos locales en el mismo histograma cúbico. una versión comprimida   Máximos locales  Para identificar los máximos locales, implementaremos un código específico. El autor, que también es un artista experto, proporciona una excelente descripción del algoritmo. Básicamente, primero recopilamos las estadísticas de la imagen en el mismo histograma RGB tridimensional utilizado en el algoritmo Median Cut.   Cada celda del histograma cúbico contendrá contenedores de colores y la suma de todos los valores de cada color incluidos en la celda. Dada la dimensión limitada del histograma a una resolución de 32x32x32 (originalmente 30x30x30), acumular la suma simplifica el cálculo del color promedio de la celda.   Luego buscamos el máximo local explorando minuciosamente todo el espacio y comparándolo con las celdas vecinas.   Después de esto, reducimos iterativamente el número de máximos locales a la cantidad requerida, descartando colores similares con menos peso. Para todos los máximos locales restantes, calculamos los colores promedio de todos los valores incluidos en la lista.  Dado que la densidad de color en los máximos locales es mayor y la diferencia entre los valores de píxeles es menor que en los cubos del corte medio, los colores serán más parecidos a los presentes en la imagen principal y representarán con mayor precisión sus colores dominantes.  Esto revela la principal diferencia entre los dos modelos: adquirir una   versus buscar máximos locales o   . Al mapear la imagen principal de la "paleta comprimida", crearemos una nueva   , aunque en una forma muy truncada. "paleta comprimida" colores dominantes que mantiene el mismo equilibrio de color que la imagen principal  Por otro lado, los colores dominantes     . No se pueden transformar en nada nuevo con un equilibrio de color adecuado. sólo describen la composición de los colores presentes principalmente en la imagen   Implementación  Utilizando esta tarea como ejemplo, demostraremos lo sencillo que es desarrollar una aplicación lista para usar para el análisis y manipulación de imágenes utilizando   . Comenzaremos con funcionalidades que están ausentes en otros motores. IMProcessing Framework  Por ejemplo, el marco tiene la capacidad de leer archivos   de Adobe con CLUT preexistentes y puede extraer un histograma cúbico tridimensional de una imagen en tiempo real. .cube  Aprovechando esto, nuestro objetivo es crear una aplicación que pueda:  Cargue archivos en formato JFIF (jpeg).  “Normalizar” la imagen original.  Controla la intensidad del “normalizador”.  Incorpore una LUT arbitraria de un archivo .cube de Adobe al procesamiento.  Gestionar la intensidad del impacto de CLUT.  Muestra un histograma lineal de la imagen.  Exhibir la “paleta comprimida” y los colores dominantes de la imagen así como su representación numérica en forma de triplete (r,g,b)  El producto final de nuestra construcción se parecerá a este juguete interactivo:   Aquí queda claro cómo la simple “normalización” de la imagen influye positivamente en la diversidad de la paleta final, redistribuyendo los colores dominantes en un conjunto más variado y armonioso.   "Normalizador"  Montaremos un filtro a partir de dos preexistentes:    : permite ampliar el histograma de la imagen hasta límites específicos IMPContrastFilter    : realiza la corrección automática del balance de blancos basándose en la búsqueda del color promedio y la corrección de tonos espurios en la imagen. Se trata esencialmente de una ligera modificación de una idea tomada del  IMPAutoWBFilter  . blog de Andrey Zhuravlev   import IMProcessing /// Image filter public class IMPTestFilter:IMPFilter { /// We will use a contrast control filter through histogram stretching var contrastFilter:IMPContrastFilter! /// Auto white balance filter var awbFilter:IMPAutoWBFilter! /// Image Linear Histogram Analyzer var sourceAnalyzer:IMPHistogramAnalyzer! /// Solver of the histogram analyzer for calculating the lightness boundaries of the image let rangeSolver = IMPHistogramRangeSolver() public required init(context: IMPContext) { super.init(context: context) // Initialize filters in context contrastFilter = IMPContrastFilter(context: context) awbFilter = IMPAutoWBFilter(context: context) // Add filters to the stack addFilter(contrastFilter) addFilter(awbFilter) // Initialize the histogram analyzer sourceAnalyzer = IMPHistogramAnalyzer(context: self.context) // Add a light boundary search solver to the analyzer sourceAnalyzer.addSolver(rangeSolver) // Add an observing handler to the filter for // to pass the current image frame to the analyzer addSourceObserver { (source) - Void in self.sourceAnalyzer.source = source } // Add an observing handler for updating analysis calculations to the analyzer sourceAnalyzer.addUpdateObserver({ (histogram) - Void in // set the lightness boundaries in the contrast filter each time the image changes self.contrastFilter.adjustment.minimum = self.rangeSolver.minimum self.contrastFilter.adjustment.maximum = self.rangeSolver.maximum }) } }   Solucionador de paletas  IMProcessing Framework se destaca de muchas plataformas similares debido a su organización única de cálculos. Utiliza un grupo dedicado de filtros que esencialmente no son filtros de procesamiento.  Los objetos de estas clases no modifican la imagen en los dominios homogéneo y espacial. En cambio, realizan ciertos cálculos y representaciones de métricas para su análisis en expansores especiales para resolver problemas específicos.  Por ejemplo, un objeto de la clase IMPHistogramAnalyzer puede agregar simultáneamente múltiples solucionadores que calculan el color promedio de la imagen, el rango de luz, la división zonal, etc.  Usamos el solucionador para ampliar el análisis de IMPHistogramCubeAnalyzer para calcular la paleta y la lista de colores dominantes. Los resultados del cálculo se muestran luego en un NSTableView actualizado.   import IMProcessing /// Types of distribution of image color accents /// /// - palette: palette for quantizing image colors. /// calculated using the median-cut transformation scheme: /// http://www.leptonica.com/papers/mediancut.pdf /// - dominants: calculation of dominant colors of an image by searching for local maxima /// color distribution density functions: /// https://github.com/pixelogik/ColorCube /// public enum IMPPaletteType{ case palette case dominants } /// Solver of the cubic color histogram analyzer IMPHistogramCubeAnalyzer public class IMPPaletteSolver: IMPHistogramCubeSolver { /// Maximum number of palette colors for analysis public var maxColors = Int(8) /// List of found colors public var colors = [IMPColor]() /// Palette type public var type = IMPPaletteType.dominants /// Solver handler handler /// - parameter analyzer: link to the analyzer /// - parameter histogram: cubic histogram of the image /// - parameter imageSize: image size public func analizerDidUpdate(analizer: IMPHistogramCubeAnalyzer, histogram: IMPHistogramCube, imageSize: CGSize) { var p = [float3]() if type == .palette{ p = histogram.cube.palette(count: maxColors) } else if type == .dominants { p = histogram.cube.dominantColors(count: maxColors) } colors.removeAll() for c in p { colors.append(IMPColor(color: float4(rgb: c, a: 1))) } } }   Montamos todos los componentes en el controlador de vista.  El controlador necesitará el filtro de aplicación principal, al que llamaremos   , un filtro CLUT llamado IMPLutFilter, el IMPHistogramView listo para usar para mostrar un histograma "normal", el IMPHistogramCubeAnalyzer, que es un analizador de histograma cúbico al que adjuntaremos nuestro solucionador, IMPPaletteSolver. IMPTestFilter  Por último, usaremos IMPImageView como ventana principal para mostrar la imagen, y el IMPContext común es la clase clave utilizada por todos los constructores del marco.   class ViewController: NSViewController { // // Processing context // let context = IMPContext() // // Window for presenting the loaded image // var imageView:IMPImageView! var pannelScrollView = NSScrollView() // // Window for displaying the image histogram // var histogramView:IMPHistogramView! // // NSTableView - views of a list of colors from the palette // var paletteView:IMPPaletteListView! // // Main filter // var filter:IMPTestFilter! // // CLUT filter from Adobe Cube files // var lutFilter:IMPLutFilter? // // Analyzer of a cubic histogram of an image in RGB space // var histograCube:IMPHistogramCubeAnalyzer! // // Our solver for finding colors // var paletteSolver = IMPPaletteSolver() var paletteTypeChooser:NSSegmentedControl! override func viewDidLoad() { super.viewDidLoad() configurePannel() // // Initialize the objects we need // filter = IMPTestFilter(context: context) histograCube = IMPHistogramCubeAnalyzer(context: context) histograCube.addSolver(paletteSolver) imageView = IMPImageView(context: context, frame: view.bounds) imageView.filter = filter imageView.backgroundColor = IMPColor(color: IMPPrefs.colors.background) // // Add another handler to monitor the original image // (another one was added in the main filter IMPTestFilter) // filter.addSourceObserver { (source) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in // // to minimize calculations, the analyzer will compress the image to 1000px on the wide side // if let size = source.texture?.size { let scale = 1000/max(size.width,size.height) self.histograCube.downScaleFactor = scale.float } } // Add an observer to the filter to process the filtering results // filter.addDestinationObserver { (destination) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in // pass the image to the histogram indicator self.histogramView.source = destination // pass the result to the cubic histogram analyzer self.histograCube.source = destination } // // The results of updating the analyzer calculation are displayed in the color list window // histograCube.addUpdateObserver { (histogram) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.paletteView.colorList = self.paletteSolver.colors }) } view.addSubview(imageView) .... IMPDocument.sharedInstance.addDocumentObserver { (file, type) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in if type == .Image { do{ // // Load the file and associate it with the filter source // self.imageView.source = try IMPImageProvider(context: self.imageView.context, file: file) self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.zoomFit() }) } catch let error as NSError { self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in let alert = NSAlert(error: error) alert.runModal() }) } } else if type == .LUT { do { // // Initialize the CLUT descriptor // var description = IMPImageProvider.LutDescription() // // Load CLUT // let lutProvider = try IMPImageProvider(context: self.context, cubeFile: file, description: &amp;amp;amp;amp;amp;amp;amp;amp;amp;description) if let lut = self.lutFilter{ // // If a CLUT filter has been added, update its LUT table from the file with the received descriptor // lut.update(lutProvider, description:description) } else{ // // Create a new LUT filter // self.lutFilter = IMPLutFilter(context: self.context, lut: lutProvider, description: description) } // // Add a LUT filter, if this filter has already been added nothing happens // self.filter.addFilter(self.lutFilter!) } catch let error as NSError { self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in let alert = NSAlert(error: error) alert.runModal() }) } } } ....  Como puede ver, el procesamiento de fotografías es cada vez más sencillo y accesible para el usuario medio, lo que hace posible que prácticamente cualquier persona domine este proceso.  El proyecto completo se puede descargar, ensamblar y probar desde el   del proyecto   :   . Para un montaje adecuado, se debe instalar localmente la megabiblioteca para trabajar con archivos JPEG (JFIF),   . repositorio ImageMetalling ImageMetalling-08 libjpeg-turbo  Actualmente, esta es la mejor implementación de soporte para este formato.

Read My Stories

Este audio es producido en el idioma original de la historia!

Cómo crear una aplicación para determinar la paleta y los colores dominantes de una imagen

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una breve introducción a la teoría del cerebro de Boltzmann

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Una breve introducción a la teoría del cerebro de Boltzmann

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps