如何對前端圖片主題色進行提取？這篇文章詳細告訴你

時間 2019-11-29

標籤如何前端圖片主題進行提取文章詳細告訴简体版

原文原文鏈接

本文由雲+社區發表javascript

圖片主題色在圖片所佔比例較大的頁面中，可以配合圖片起到很好視覺效果，給人一種和諧、一致的感受。同時也可用在圖像分類，搜索識別等方面。一般主題色的提取都是在後端完成的，前端將須要處理的圖片以連接或id的形式提供給後端，後端經過運行相應的算法來提取出主題色後，再返回相應的結果。html

這樣能夠知足大多數展現類的場景，但對於須要根據用戶「定製」、「生成」的圖片，這樣的方式就有了一個上傳圖片---->後端計算---->返回結果的時間，等待時間也許就比較長了。由此，我嘗試着利用 canvas在前端進行圖片主題色的提取。前端

1、主題色算法

目前比較經常使用的主題色提取算法有：最小差值法、中位切分法、八叉樹算法、聚類、色彩建模法等。其中聚類和色彩建模法須要對提取函數和樣本、特徵變量等進行調參和迴歸計算，用到 python的數值計算庫 numpy和機器學習庫 scikit-learn，用 python來實現相對比較簡單，而目前這兩種都沒有成熟的js庫，而且js自己也不擅長迴歸計算這種比較複雜的計算。我也就沒有深刻的研究，而主要將目光放在了前面的幾個顏色量化算法上。java

而最小差值法是在給定給定調色板的狀況下找到與色差最小的顏色，使用的場景比較小，因此我主要看了中位切分法和八叉樹算法，並進行了實踐。node

中位切分法

中位切分法一般是在圖像處理中下降圖像位元深度的算法，可用來將高位的圖轉換位低位的圖，如將24bit的圖轉換爲8bit的圖。咱們也能夠用來提取圖片的主題色，其原理是是將圖像每一個像素顏色看做是以R、G、B爲座標軸的一個三維空間中的點，因爲三個顏色的取值範圍爲0~255，因此圖像中的顏色都分佈在這個顏色立方體內，以下圖所示。python

以後將RGB中最長的一邊從顏色統計的中位數一切爲二，使獲得的兩個長方體所包含的像素數量相同，以下圖所示git

重複這個過程直到切出長方體數量等於主題色數量爲止，最後取每一個長方體的中點便可。github

在實際使用中若是隻是按照中點進行切割，會出現有些長方體的體積很大可是像素數量不多的狀況。解決的辦法是在切割前對長方體進行優先級排序，排序的係數爲體積 * 像素數。這樣就能夠基本解決此類問題了。算法

八叉樹算法

八叉樹算法也是在顏色量化中比較常見的，主要思路是將R、G、B通道的數值作二進制轉換後逐行放下，可獲得八列數字。如 #FF7880轉換後爲canvas

R: 1111 1111
G: 0111 1000
B: 0000 0000
複製代碼

再將RGB通道逐列粘合，能夠獲得8個數字，即爲該顏色在八叉樹中的位置，如圖。

在將全部顏色插入以後，再進行合併運算，直到獲得所須要的顏色數量爲止。

在實際操做中，因爲須要對圖像像素進行遍歷後插入八叉樹中，而且插入過程有較多的遞歸操做，因此比中位切分法要消耗更長的時間。

2、中位切分法實踐

根據以前的介紹和網上的相關資料，此處貼上我本身理解實現的中位切分法代碼，而且找了幾張圖片將結果與QQ音樂已有的魔法色相關算法進行比較，圖一爲中位切分法結果，圖二爲後臺cgi返回結果

圖一

圖二

能夠看到有必定的差別，可是差值相對都還比較小的，處理速度在pc上面仍是比較快的，三張圖分別在70ms,100ms,130ms左右。這裏貼上代碼，待後續批量處理進行對比以後再分析。

(function () {

    /** * 顏色盒子類 * * @param {Array} colorRange [[rMin, rMax],[gMin, gMax], [bMin, bMax]] 顏色範圍 * @param {any} total 像素總數, imageData / 4 * @param {any} data 像素數據集合 */
    function ColorBox(colorRange, total, data) {
        this.colorRange = colorRange;
        this.total = total;
        this.data = data;
        this.volume = (colorRange[0][1] - colorRange[0][0]) * (colorRange[1][1] - colorRange[1][0]) * (colorRange[2][1] - colorRange[2][0]);
        this.rank = this.total * (this.volume);
    }

    ColorBox.prototype.getColor = function () {
        var total = this.total;
        var data = this.data;

        var redCount = 0,
            greenCount = 0,
            blueCount = 0;

        for (var i = 0; i < total; i++) {
            redCount += data[i * 4];
            greenCount += data[i * 4 + 1];
            blueCount += data[i * 4 + 2];
        }

        return [parseInt(redCount / total), parseInt(greenCount / total), parseInt(blueCount / total)];
    }

    // 獲取切割邊
    function getCutSide(colorRange) {   // r:0,g:1,b:2
        var arr = [];
        for (var i = 0; i < 3; i++) {
            arr.push(colorRange[i][1] - colorRange[i][0]);
        }
        return arr.indexOf(Math.max(arr[0], arr[1], arr[2]));
    }

    // 切割顏色範圍
    function cutRange(colorRange, colorSide, cutValue) {
        var arr1 = [];
        var arr2 = [];
        colorRange.forEach(function (item) {
            arr1.push(item.slice());
            arr2.push(item.slice());
        })
        arr1[colorSide][1] = cutValue;
        arr2[colorSide][0] = cutValue;
        return [arr1, arr2];
    }

    // 找到出現次數爲中位數的顏色
    function getMedianColor(colorCountMap, total) {
        var arr = [];
        for (var key in colorCountMap) {
            arr.push({
                color: parseInt(key),
                count: colorCountMap[key]
            })
        }

        var sortArr = __quickSort(arr);
        var medianCount = 0;
        var medianColor = 0;
        var medianIndex = Math.floor(sortArr.length / 2)

        for (var i = 0; i <= medianIndex; i++) {
            medianCount += sortArr[i].count;
        }

        return {
            color: parseInt(sortArr[medianIndex].color),
            count: medianCount
        }

        // 另外一種切割顏色判斷方法，根據數量和差值的乘積進行判斷，本身試驗後發現效果不如中位數方法，可是少了排序，性能應該有所提升
        // var count = 0;
        // var colorMin = arr[0].color;
        // var colorMax = arr[arr.length - 1].color
        // for (var i = 0; i < arr.length; i++) {
        // count += arr[i].count;

        // var item = arr[i];

        // if (count * (item.color - colorMin) > (total - count) * (colorMax - item.color)) {
        // return {
        // color: item.color,
        // count: count
        // }
        // }
        // }

        return {
            color: colorMax,
            count: count
        }



        function __quickSort(arr) {
            if (arr.length <= 1) {
                return arr;
            }
            var pivotIndex = Math.floor(arr.length / 2),
                pivot = arr.splice(pivotIndex, 1)[0];

            var left = [],
                right = [];
            for (var i = 0; i < arr.length; i++) {
                if (arr[i].count <= pivot.count) {
                    left.push(arr[i]);
                }
                else {
                    right.push(arr[i]);
                }
            }
            return __quickSort(left).concat([pivot], __quickSort(right));
        }
    }

    // 切割顏色盒子
    function cutBox(colorBox) {
        var colorRange = colorBox.colorRange,
            cutSide = getCutSide(colorRange),
            colorCountMap = {},
            total = colorBox.total,
            data = colorBox.data;

        // 統計出各個值的數量
        for (var i = 0; i < total; i++) {
            var color = data[i * 4 + cutSide];

            if (colorCountMap[color]) {
                colorCountMap[color] += 1;
            }
            else {
                colorCountMap[color] = 1;
            }
        }
        var medianColor = getMedianColor(colorCountMap, total);
        var cutValue = medianColor.color;
        var cutCount = medianColor.count;
        var newRange = cutRange(colorRange, cutSide, cutValue);
        var box1 = new ColorBox(newRange[0], cutCount, data.slice(0, cutCount * 4)),
            box2 = new ColorBox(newRange[1], total - cutCount, data.slice(cutCount * 4))
        return [box1, box2];
    }

    // 隊列切割
    function queueCut(queue, num) {

        while (queue.length < num) {

            queue.sort(function (a, b) {
                return a.rank - b.rank
            });
            var colorBox = queue.pop();
            var result = cutBox(colorBox);
            queue = queue.concat(result);
        }

        return queue.slice(0, 8)
    }

    function themeColor(img, callback) {

        var canvas = document.createElement('canvas'),
            ctx = canvas.getContext('2d'),
            width = 0,
            height = 0,
            imageData = null,
            length = 0,
            blockSize = 1,
            cubeArr = [];

        width = canvas.width = img.width;
        height = canvas.height = img.height;

        ctx.drawImage(img, 0, 0, width, height);

        imageData = ctx.getImageData(0, 0, width, height).data;

        var total = imageData.length / 4;

        var rMin = 255,
            rMax = 0,
            gMin = 255,
            gMax = 0,
            bMin = 255,
            bMax = 0;

        // 獲取範圍
        for (var i = 0; i < total; i++) {
            var red = imageData[i * 4],
                green = imageData[i * 4 + 1],
                blue = imageData[i * 4 + 2];

            if (red < rMin) {
                rMin = red;
            }

            if (red > rMax) {
                rMax = red;
            }

            if (green < gMin) {
                gMin = green;
            }

            if (green > gMax) {
                gMax = green;
            }

            if (blue < bMin) {
                bMin = blue;
            }

            if (blue > bMax) {
                bMax = blue;
            }
        }

        var colorRange = [[rMin, rMax], [gMin, gMax], [bMin, bMax]];
        var colorBox = new ColorBox(colorRange, total, imageData);

        var colorBoxArr = queueCut([colorBox], 8);

        var colorArr = [];
        for (var j = 0; j < colorBoxArr.length; j++) {
            colorBoxArr[j].total && colorArr.push(colorBoxArr[j].getColor())
        }

        callback(colorArr);
    }

    window.themeColor = themeColor

})()
複製代碼

3、八叉樹算法實踐

也許是我算法實現的問題，使用八叉樹算法獲得的最終結果並不理想，所消耗的時間相對於中位切分法也長了很多，平均時間分別爲160ms,250ms,400ms仍是主要看八叉樹算法吧...一樣貼上代碼

(function () {

    var OctreeNode = function () {
        this.isLeaf = false;
        this.pixelCount = 0;
        this.red = 0;
        this.green = 0;
        this.blue = 0;
        this.children = [null, null, null, null, null, null, null, null];
        this.next = null;
    }

    var root = null,
        leafNum = 0,
        colorMap = null,
        reducible = null;

    function createNode(index, level) {
        var node = new OctreeNode();
        if (level === 7) {
            node.isLeaf = true;
            leafNum++;
        } else {
            // 將其丟到第 level 層的 reducible 鏈表中
            node.next = reducible[level];
            reducible[level] = node;
        }

        return node;
    }

    function addColor(node, color, level) {
        if (node.isLeaf) {
            node.pixelCount += 1;
            node.red += color.r;
            node.green += color.g;
            node.bllue += color.b;
        }
        else {
            var str = "";
            var r = color.r.toString(2);
            var g = color.g.toString(2);
            var b = color.b.toString(2);
            while (r.length < 8) r = '0' + r;
            while (g.length < 8) g = '0' + g;
            while (b.length < 8) b = '0' + b;

            str += r[level];
            str += g[level];
            str += b[level];

            var index = parseInt(str, 2);

            if (null === node.children[index]) {
                node.children[index] = createNode(index, level + 1);
            }

            if (undefined === node.children[index]) {
                console.log(index, level, color.r.toString(2));
            }

            addColor(node.children[index], color, level + 1);
        }
    }

    function reduceTree() {

        // 找到最深層次的而且有可合併節點的鏈表
        var level = 6;
        while (null == reducible[level]) {
            level -= 1;
        }

        // 取出鏈表頭並將其從鏈表中移除
        var node = reducible[level];
        reducible[level] = node.next;

        // 合併子節點
        var r = 0;
        var g = 0;
        var b = 0;
        var count = 0;
        for (var i = 0; i < 8; i++) {
            if (null === node.children[i]) continue;
            r += node.children[i].red;
            g += node.children[i].green;
            b += node.children[i].blue;
            count += node.children[i].pixelCount;
            leafNum--;
        }

        // 賦值
        node.isLeaf = true;
        node.red = r;
        node.green = g;
        node.blue = b;
        node.pixelCount = count;
        leafNum++;
    }

    function buidOctree(imageData, maxColors) {
        var total = imageData.length / 4;
        for (var i = 0; i < total; i++) {
            // 添加顏色
            addColor(root, {
                r: imageData[i * 4],
                g: imageData[i * 4 + 1],
                b: imageData[i * 4 + 2]
            }, 0);

            // 合併葉子節點
            while (leafNum > maxColors) reduceTree();
        }
    }

    function colorsStats(node, object) {
        if (node.isLeaf) {
            var r = parseInt(node.red / node.pixelCount);
            var g = parseInt(node.green / node.pixelCount);
            var b = parseInt(node.blue / node.pixelCount);

            var color = r + ',' + g + ',' + b;
            if (object[color]) object[color] += node.pixelCount;
            else object[color] = node.pixelCount;
            return;
        }

        for (var i = 0; i < 8; i++) {
            if (null !== node.children[i]) {
                colorsStats(node.children[i], object);
            }
        }
    }

    window.themeColor = function (img, callback) {
        var canvas = document.createElement('canvas'),
            ctx = canvas.getContext('2d'),
            width = 0,
            height = 0,
            imageData = null,
            length = 0,
            blockSize = 1;

        width = canvas.width = img.width;
        height = canvas.height = img.height;

        ctx.drawImage(img, 0, 0, width, height);

        imageData = ctx.getImageData(0, 0, width, height).data;

        root = new OctreeNode();
        colorMap = {};
        reducible = {};
        leafNum = 0;

        buidOctree(imageData, 8)

        colorsStats(root, colorMap)

        var arr = [];
        for (var key in colorMap) {
            arr.push(key);
        }
        arr.sort(function (a, b) {
            return colorMap[a] - colorMap[b];
        })
        arr.forEach(function (item, index) {
            arr[index] = item.split(',')
        })
        callback(arr)
    }
})()
複製代碼

4、結果對比

在批量跑了10000張圖片以後，獲得了下面的結果

平均耗時對比（js-cgi)

能夠看到在不考慮圖片加載時間的狀況下，用中位切分法提取的耗時相對較短，而圖片加載的耗時能夠說是難以逾越的障礙了（整整拖慢了450ms），不過目前的代碼還有不錯的優化空間，好比間隔採樣，繪製到canvas時減少圖片尺寸，優化切割點查找等，就須要後續進行更深一點的探索了。

顏色誤差

因此看來準確性仍是能夠的，約76%的顏色與cgi提取結果相近，在大於100的中抽查後發現有部分圖片二者提取到的主題色各有特色，或者勢均力敵，好比

5、小結

總結來看，經過canvas的中位切分法與cgi提取的結果類似程度仍是比較高的，也有許多圖片有很大差別，須要在後續的實踐中不斷優化。同時，圖片加載時間也是一個難以逾越的障礙，不過目前的代碼還有不錯的優化空間，好比間隔採樣，繪製到canvas時減少圖片尺寸，優化切割點查找等，就須要後續進行更深一點的探索了。