欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

作者：李誉辉     四川大学在读研究生

转载自公众号：EasyCharts 

1 简介

---

countcolors包是Hannah Weller编写的，根据”RGB色值范围“查找图片中的像素点，可以统计某设置范围内的像素点占所有像素点的比例，该比例相当于面积比。还可以更改该像素点为指定的颜色。

在这里，对Hannah先生表示感谢。CRAN版本的更新还有段时间。github版安装方式：

devtools::install_github("hiweller/countcolors")

2 工作原理

---

2.1 RGB颜色空间

countcolors主要基于RGB颜色空间(red红，green绿，blue蓝)进行度量，如下图的模型所示，每个颜色由red, green, 和blue三个坐标轴上坐标所定义。 每个原色轴刻度范围为从0到255(若是单位化处理的向量，则从0到1)。所以，对于纯红色，则：red坐标为1， green坐标为0， blue坐标为0。常用的洋红magenta,其为红蓝混合色，RGB色值为[1, 0, 1]。

2.2 RGB色值范围(边界区域)

---

为了确定特定颜色的像素点位置，countcolors中，将首先在颜色空间上确定一个边界区域，然后针对图片上所有在该边界区域内的像素点，进行计数。这里存在2种方法定义边界区域：

在颜色空间模型，针对三原色，设置3个刻度范围（3个最低值和3个最大值）。 然后就能根据这些最值，确定一个立方体，该立方体极为边界区域。

在颜色空间模型中，选取一个空间点作为颜色中心，然后指定一个半径，
这样就能画一个空间球，将该球作为边界区域。

rectangular range (立方体边界) 以定义magenta颜色像素点边界区域为例，magenta颜色的RGB色值为[1, 0, 1],将该数字稍微扩展一下，可以用下面三个条件来定义该边界区域：

Red: 0.7 - 1.0

Green: 0 - 0.3

Blue: 0.7 - 1.0

然后搜索满足基于这3个条件的像素点，

2.3 Spherical ranges （球形边界）

很多时候，需要通过指定中心的RGB色值和颜色空间半径来设定像素点的边界区域。比如说，我们查找“苔藓绿”像素点, 其RGB色值为[0.4, 0.7, 0.4]。如果我们设置radius非常小，仅三原色数值中最大值的5%, 则仅仅得到数量很少的像素点。如果增加radius到25%, 则得到更大的边界区域和数量很多的像素点。所有的countcolors都是基于用户指定的颜色范围来查找像素点，然后进行计数。还有一系列诊断工具check用户是否选取了正确的颜色范围。

2.4 色彩工具

对于RGB色值的提取，大部分商业绘图软件，如PhotoShop,Ai内都有相应的工具。
专门的小工具，推荐使用ColorPix,下载地址。

取色网站推荐：HTML拾色器 和ColorBrewer。

3 实例

---

countcolors包内没有几个函数，函数参数也不复杂，笔者就直接按例子讲解使用方法了。我们以NASA对挪威的一张航拍图片为例，用countcolors进行处理。

3.1 plotPixels()

使用plotPixels()函数打散像素点，在RGB颜色空间上绘制像素点簇集。

library(countcolors)library(colordistance)norway_raw <- loadImage(path = "E:/R_input&output/images_input/norway.png", lower = NULL, upper = NULL)plotPixels(norway_raw, lower = NULL, upper = NULL, n = 5000)

假设我们想计算海岸线上绿色植物的分布面积，则需要计算绿色像素点在图片中所占的面积百分百。为了实现这点，需要定义一个颜色范围，以搜索在该边界区域内的像素点。然后计算边界区域内的像素点占所有像素点的比例。最后check刚刚是否选择了正确的参数，可以采用调整目标color来观察对比。

3.2 选择恰当的颜色范围

使用countcolors()函数成功的关键在于指定恰当的颜色范围。为了确定恰当的颜色范围，可以试试下面几种方法：

使用工具提取关键点的RGB色值，如目标像素点和边界像素点的RGB色值。

使用k-means聚类可视化，找出所有像素点RGB色值的分组情况,并提取各组中心色值。

最后一个稍微有些复杂，但是我们可以使用colordistance()函数作1个一维的聚类分析：

library(countcolors)library(colordistance)# 找出 K-means 聚类kmeans.clusters <- colordistance::getKMeanColors(path = "E:/R_input&output/images_input/norway.png", n = 3, plotting = FALSE)colordistance::extractClusters(kmeans.clusters)

为了将聚类颜色簇以交互式图形展示出来，可以使用colordistance::plotClusters()函数，这个比较复杂先掠过，从简单的入手。其中一个绿色RGB色值是：[0.34, 0.45, 0.24]，我们将该色值作为基准，然后设置一系列的不同的半径(针对球形边界区域)或边界范围(针对立方体边界区域)。在countcolors()函数中，边界范围可以用1个长度为3的数字向量指定，元素顺序与R-G-B顺序一致。 具体指定方式如下图：

library(countcolors)library(colordistance)center.spherical <- c(0.24, 0.45, 0.24)  # 指定球形边界区域中心坐标lower.rectangular <- c(0.2, 0.35, 0.2)  # 指定RGB色值下限upper.rectangular <- c(0.3, 0.55, 0.3)  # 指定RGB色值上限，上限中对应元素value不小于下限

基于k-means聚类结果来设置颜色范围理论上很好，但是实际可能不太如意。因为与聚类算法关系很大，参数设置不当，则会将所有颜色聚集在一起，或将其分成大量簇，不是太多就是太少。只有在green, blue, white数值相差较大时，才能很好的运行，这样其中一个像素点才不会同时与多个簇相连。但是对于复杂性更高的图形，基于k-means聚类来设置颜色范围效果更好。

3.3 像素点分析过程

既然已经获得了颜色范围，接下来就可以使用计数函数countColors()了。countColors()函数通过调动包内其它函数可以发挥以下3种功能：

给像素点定位，返回像素点在图片上的像素行列值。

确定在颜色范围内的像素点的比例(可以选择忽略某种颜色的背景)。

通过指定目标颜色，将颜色范围内的像素点掩盖掉，
方便check是否选择了恰当的目标颜色和颜色范围。

countColors()函数是通过调动其它函数来实现上诉功能的。现在我们直接使用其它函数来实现同样的功能。这些函数包含：

图片加载函数: 

png::readPNG()， jpeg::readJPEG()。

像素点统计函数：sphericalRange()或rectangularRange()统计在边界区域内的像素点。

改变像素点颜色函数：

changePixelColor()

3.3.1 像素点统计函数

3.3.1.1 sphericalRange()

该函数基于中心点坐标和半径来定义边界区域。然后返回一个列表。
该列表中包含在给定边界区域内：

像素点在图片上的行和列索引值(pixel.idx)、

像素点的计数(pixel.count)、

像素点占总数的比例(img.fraction)、

原图片的RGB数组(original.img)。

library(countcolors)library(colordistance)# 读取图片文件norway <- jpeg::readJPEG("E:/R_input&output/images_input/norway.jpg")  ## 基于10%半径，找出所有的像素点norway.spherical <-countcolors::sphericalRange(norway, center = center.spherical,radius = 0.1, color.pixels = FALSE, plotting = FALSE)names(norway.spherical)  # 查看返回列表中元素名称，norway.spherical$img.fraction  

## [1] "pixel.idx"    "pixel.count"  "img.fraction" "original.img"## [1] 0.1093207

3.3.1.2 rectangularRange()

下面是使用立方体边界区域的过程，指定upper和lower参数。

library(countcolors)library(colordistance)# 采用函数默认的颜色上限和下限，相当于输出原图norway.rectangular <- countcolors::rectangularRange(norway, upper = upper.rectangular, lower = lower.rectangular,# 默认上下限 target.color = "yellow") # 指定掩盖色为黄色,无效# 采用前面实验的上下限norway.rectangular <- countcolors::rectangularRange(norway, upper = c(0.55, 0.75, 0.4), lower = c(0.1, 0.25, 0), target.color = "yellow") # 指定掩盖色为黄色norway.rectangular$img.fraction # 查看像素点占比

## [1] 0.1884886

3.3.2 changePixelColor()改变像素点颜色

在上一个代码块中，我们设置半径radius比较保守，仅仅10%， 结果像素点占比仅仅13.7%。仅仅从数字很难看出是否该比例是否合适，还是需要可视化展示。接下来我们指定其它颜色，来更改像素点颜色。

library(countcolors)library(colordistance)# 更改了颜色范围内的像素点颜色为洋红色countcolors::changePixelColor(norway, norway.spherical$pixel.idx, target.color = "magenta")

上图结果表明，大部分视觉范围内的绿色都被成功转换为洋红，但是还有一些未被转换。针对这种情况，可以调整center color,或扩大半径。首先我们采用增加半径的方法，在sphericalRange()函数中，也可以通过设置参数plotting = TRUE来更改颜色。这也是通过调动changePixelColor()函数来实现的。

library(countcolors)library(colordistance)# 设置半径为15%norway.spherical <- countcolors::sphericalRange(norway, center = center.spherical, radius = 0.15,color.pixels = FALSE, plotting = TRUE,  # plotting = TRUE修改颜色target.color = "magenta")# target.color设置掩盖色norway.spherical$img.fraction # 结果显示：像素点占比为19.5%

## [1] 0.1953728

上图中，所有视觉范围内的绿色都被洋红掩盖了，恰好海洋、云层、山峰没有被掩盖。这个半径15%是通过好几次不同实验探索出来的。

3.4 countColors()的使用

countColors()函数除了上面提到的功能，还有其它功能：

保存修改颜色后的图片到文件夹，包括同时显示出来。

可以指定背景色的RGB范围，并将其忽略掉，不计入计算。

同时分析更改多种颜色。

3.4.1 同时分析更改多种颜色

如果需要计算图片中白色和绿色的占比，可以分别指定白色和绿色的中心坐标，并分别指定半径。如下图：

library(countcolors)library(colordistance)# 确定绿色和白色的中心坐标green.center <- c(0.24, 0.45, 0.24)white.center <- c(1, 1, 1)two.colors <- countcolors::countColors(path = "E:/R_input&output/images_input/norway.jpg",color.range="spherical", # color.range指定边界类型center = c(green.center, white.center), # 向量指定2个中心点radius = c(0.15, 0.1), # 指定2个半径，顺序与center对应bg.lower=NULL, bg.upper=NULL, plotting = TRUE,target.color=c("magenta", "cyan"))#向量指定掩盖色，顺序与center同# 提供2个颜色的总占比two.colors$pixel.fraction 

## [1] 0.5164026

3.4.2 指定背景色RGB范围

若我们想忽略海洋，仅仅确定绿色在陆地所占的面积，即指定dark blue为背景色，使用2个参数bg.lower和bg.upper指定背景色的上下限，如下所示：

library(countcolors)library(colordistance)green.center <- c(0.24, 0.45, 0.24)bg.upper <- c(0.2, 0.2, 0.45)bg.lower <- c(0, 0, 0)bg.ignore <- countcolors::countColors(path = "E:/R_input&output/images_input/norway.jpg",color.range = "spherical", center = green.center, radius = 0.15, bg.lower = bg.lower, bg.upper = bg.upper, plotting = TRUE)bg.ignore$pixel.fraction  # 返回忽略背景色的像素点占比

## [1] 0.3130524

3.4.3 保存图片

通过设定参数save.indicator可以保存修改颜色后的图片到文件夹。若设定save.indicator = TRUE则将图片输出到导入的文件夹。若用文件夹路径及文件名指定该参数，则将图片输出到路径下的文件夹。

library(countcolors)library(colordistance)green.center <- c(0.24, 0.45, 0.24)bg.upper <- c(0.2, 0.2, 0.45)bg.lower <- c(0, 0, 0)bg.ignore <- countcolors::countColors(path = "E:/R_input&output/images_input/norway.jpg",color.range = "spherical", center = green.center, radius = 0.15, bg.lower = bg.lower,bg.upper = bg.upper, plotting = FALSE, save.indicator = TRUE)

4 批量分析

---

如果需要分析多张图片，使用countColorInDirectory()函数更加方便。该函数是countColors()函数的包装，将对指定的directory中的JPEG或PNG图片进行逐一分析。基于同样的参数进行分析， 然后返回一个countColors()列表组成的一个大列表。相比countColors()函数,增加了一个参数：folder,表示指定一个图片文件夹。

library(countcolors)library(colordistance)folder <- system.file("extdata", package = "countcolors")# Screen out white in both the flower image and the pelican imageupper <- c(1, 1, 1)lower <- c(0.8, 0.8, 0.8)white.screen <- countcolors::countColorsInDirectory(folder, color.range = "rectangular",upper = upper, lower = lower, bg.lower = NULL, plotting = TRUE, target.color = "turquoise")

5 彩色渲染

---

5.1 原始图片

针对很多黑白图片，色彩不够丰富，颜值不够，所以接下来，将探索将黑白图片渲染为彩色。虽然Photoshop等一些商业性图片处理软件也能彩色渲染，但是精确度远远没有程序手动调整高。

5.2 分析像素点

library(countcolors)library(colordistance)clouds <- loadImage(path = "E:/R_input&output/images_input/changecolors/black_white_3_0.png",lower = NULL, upper = NULL)plotPixels(clouds, lower = NULL, upper = NULL, n = 5000)

5.3 开始渲染

因为RGB中心较多，为了体现更改颜色的过程，将图片制作成gif动画输出。

library(scales) # library(countcolors)library(colordistance)# 生成中心点坐标length(seq(0, 1, 0.05)) # 刚好20段base_values <- seq(0.025, 0.975, by = 0.05) # 刚好20个# 生成12个长度的颜色向量, 颜色向量组成数据框vector_1 <- as.vector(col2rgb("magenta")) / 255vector_2 <- as.vector(col2rgb("cyan")) / 255colors_df <- data.frame(coord_1 = seq(vector_1[1], vector_2[1], len = length(base_values)), # 或许可以使用其它插值函数 coord_2 = seq(vector_1[2], vector_2[2], len = length(base_values)), coord_3 = 1)colors_df <- as.data.frame(t(as.matrix(colors_df))) # 转置数据框path_prefix <- "E:/R_input&output/images_input/changecolors/black_white_3_"# 给所有像素点更改颜色for (n in 1:length(base_values)) {  full_masked <- countColors(path = paste(path_prefix, n-1, ".png", sep = "", collapse = ""), color.range="spherical", # color.range指定边界类型enter = rep(base_values[n], 3), radius = 0.025, bg.lower=NULL, bg.upper=NULL, plotting = TRUE,target.color = colors_df[,n], save.indicator = paste(path_prefix, n, ".png", sep = "", collapse = "") )}## [1] 21

文末，再次对Hannah先生表示感谢。

····

往期精彩：

• R_插值_拟合_回归_样条

• R_circlize包_和弦图（一）

• R_circlize包_和弦图（二）

• R_ggplot2基础（一）

• R_ggplot2基础（二）

• R_ggplot2基础（三）

• R_ggplot2基础（四）

• R_3D图(一)

• R_3D图(二)

• R_3D图(三)

····

公众号后台回复关键字即可学习

回复 爬虫            爬虫三大案例实战  
回复 Python       1小时破冰入门

回复 数据挖掘     R语言入门及数据挖掘
回复 人工智能     三个月入门人工智能
回复 数据分析师  数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法