K-Means untuk ekstraksi palet warna otomatis

Di dunia unsupervised learning, K-Means cukup populer untuk mengelompokkan data dengan kemiripan. Data-data yang mirip akan memiliki label cluster yang sama. Pada K-Means, label cluster mewakili centroid, yaitu nilai yang berada di tengah-tengah data yang mirip (atau saling berdekatan berdasarkan feature-feature-nya).

Anggap satu gambar adalah dataset itu sendiri, yang terdiri dari banyak data points berupa pixel-pixel. Masing-masing pixel mewakili satu sampel dengan 3 feature: komponen warna merah (R), hijau (G), dan biru (B). Maka, setelah kita menjalankan K-Means pada gambar tersebut, nilai-nilai centroid akan menjadi warna-warna yang dominan. Dengan kata lain, palet warna adalah warna-warna dominan pada suatu gambar, yang dalam hal ini direpresentasikan oleh nilai-nilai centroid.

Gambar rujukan (sumber)

Palet warna terekstraksi

Ekstraksi palet warna

Pertama, kita siapkan fungsi untuk memuat gambar.

from io import BytesIO
from typing import Tuple

import matplotlib.pyplot as plt
import numpy as np
import requests
from PIL import Image
from sklearn.cluster import KMeans


def load_image(path: str) -> np.ndarray:
    if path.startswith(("http://", "https://")):
        response = requests.get(path)
        img = Image.open(BytesIO(response.content))
    else:
        img = Image.open(path)
    return img

Sebagai bonus, fungsi ini dapat memuat gambar baik dari path lokal maupun URL web. Jika path berupa URL, fungsi akan mengunduh gambar menggunakan pustaka requests dan membukanya dengan PIL. Jika path merujuk pada berkas lokal, ia akan langsung membuka file menggunakan PIL.

Setelah gambar dimuat, kita bisa menganalisisnya untuk mengekstrak palet warna.

def get_palette(
    img: Image,
    n_colors: int,
    resize_shape: Tuple[int, int] = (100, 100)
) -> Tuple[np.ndarray, KMeans]:
    img = np.asarray(img.resize(resize_shape)) / 255.0
    h, w, c = img.shape
    img_arr = img.reshape(h * w, c)

    kmeans = KMeans(n_clusters=n_colors, n_init="auto").fit(img_arr)
    palette = (kmeans.cluster_centers_ * 255).astype(int)

    return palette, kmeans

Fungsi ini menerima objek gambar PIL, jumlah warna yang diinginkan dalam palet, dan ukuran gambar yang diubah (opsional). Jika gambar berukuran terlalu besar, waktu yang dibutuhkan untuk menjalankan K-Means akan lama. Oleh karena itu, pengubahan ukuran gambar dapat mempercepat proses tanpa mengurangi kualitas palet secara signifikan.

Atribut cluster_centers_ menyimpan pusat dari setiap kluster, yang pada konteks ini mewakili warna dominan dalam gambar. Warna-warna dominan inilah yang dimaksud dengan palet warna. Karena gambar diolah dalam skala 0 hingga 1, kita mengembalikannya ke range 0 hingga 255, yaitu range yang umum dalam representasi warna RGB dengan tipe integer.

Kuantifikasi warna gambar

Hal lain yang bisa kita lakukan jika sudah memiliki palet warna adalah melakukan kuantifikasi warna pada gambar. Kuantisasi warna adalah proses pemetaan ruang warna asli ke set warna terbatas (warna unik yang lebih sedikit). Ini berguna untuk mengurangi memori yang diperlukan untuk menyimpan gambar tanpa kehilangan karakteristik utamanya.

def quantize_image(image: Image, kmeans: KMeans) -> np.ndarray:
    image_np = np.asarray(image) / 255.0
    h, w, c = image_np.shape

    # Petakan masing-masing pixel ke index cluster terdekat
    flatten = image_np.reshape(h * w, c)
    pixel_rgb_clusters = kmeans.predict(flatten)

    # Kemudian kita bisa memetakan balik dari index cluster ke nilai RGB dari centroid
    image_quantized = kmeans.cluster_centers_[pixel_rgb_clusters]

    return image_quantized.reshape(h, w, c)

Proses kuantisasi menggantikan setiap pixel dalam gambar dengan warna yang paling mendekati dari palet yang telah diekstraksi. Dalam konteks ini, palet diwakili oleh centroid dari model K-Means. Hasil dari kuantisasi ini adalah gambar yang warnanya telah direduksi ke jumlah warna yang sudah ditentukan oleh palet. Ini menjaga karakteristik visual utama gambar sembari mengurangi kompleksitas warna.

Hasil kuantifikasi warna dengan 16, 8, dan 4 warna palet

Berikut ini hasilnya jika digunakan pada gambar lain.

Hasil dengan gambar berbeda

Palet warna terekstraksi dengan 8 warna

Kode selengkapnya

Show/hide code

from io import BytesIO
from typing import Tuple

import matplotlib.pyplot as plt
import numpy as np
import requests
from PIL import Image
from sklearn.cluster import KMeans


def load_image(path: str) -> np.ndarray:
    if path.startswith(("http://", "https://")):
        response = requests.get(path)
        img = Image.open(BytesIO(response.content))
    else:
        img = Image.open(path)
    return img


def get_palette(
    img: Image, n_colors: int, resize_shape: Tuple[int, int] = (100, 100)
) -> Tuple[np.ndarray, KMeans]:
    img = np.asarray(img.resize(resize_shape)) / 255.0
    h, w, c = img.shape
    img_arr = img.reshape(h * w, c)

    kmeans = KMeans(n_clusters=n_colors, n_init="auto").fit(img_arr)
    palette = (kmeans.cluster_centers_ * 255).astype(int)

    return palette, kmeans


def quantize_image(image: Image, kmeans: KMeans) -> np.ndarray:
    image_np = np.asarray(image) / 255.0
    h, w, c = image_np.shape

    # Petakan masing-masing pixel ke index cluster terdekat
    flatten = image_np.reshape(h * w, c)
    pixel_rgb_clusters = kmeans.predict(flatten)

    # Kemudian kita bisa memetakan balik dari index cluster ke nilai RGB dari centroid
    image_quantized = kmeans.cluster_centers_[pixel_rgb_clusters]

    return image_quantized.reshape(h, w, c)


if __name__ == "__main__":
    url = "https://assets.mubicdn.net/images/artworks/235968/images-original.png?1621568236"
    image = load_image(url)

    num_colors = 8
    color_palette, kmeans = get_palette(image, num_colors)

    print(color_palette)
    print(color_palette.shape)

    """
    Tampilkan palet warna
    """
    # Urutkan warna palet dari yang paling "terang" (yaitu warna dengan nilai grayscale tertinggi)
    color_palette_sorted = np.array(sorted(color_palette, key=lambda x: x.mean())[::-1])

    plt.imshow(color_palette_sorted[np.newaxis, :, :])
    plt.axis("off")
    plt.show()

    """
    Tampilkan hasil kuantifikasi warna pada gambar
    """

    image_labels = "bcd"
    num_colors = [16, 8, 4]

    layout = """
    ab
    cd
    """

    fig, ax = plt.subplot_mosaic(layout, figsize=(12, 7), sharey=True)
    ax["a"].imshow(image)
    ax["a"].set_title("original")
    ax["a"].axis("off")

    for label, num_color in zip(image_labels, num_colors):
        color_palette, kmeans = get_palette(image, num_color)
        image_quantized = quantize_image(image, kmeans)

        ax[label].imshow(image_quantized)
        ax[label].set_title(f"{num_color} warna")
        ax[label].axis("off")

    plt.tight_layout()
    plt.show()

Ide-ide lanjutan

Style generator: Membuat generator tema teks editor atau desktop/window manager berdasarkan palet warna gambar
Implementasi algoritma kompresi gambar sederhana berbasis kuantifikasi warna: Bagaimana menyimpan dan memuat gambar hasil kuantifikasi warna menjadi file yang ringkas?
Analisis sentimen warna: Menggunakan palet warna dari gambar untuk menganalisis dan menafsirkan emosi atau sentimen yang mungkin terkandung dalam gambar, seperti keceriaan, kegelapan, atau kesedihan
Algoritma dithering: Menggabungkan kuantisasi warna dengan teknik dithering untuk menciptakan efek visual yang lebih halus, terutama saat jumlah warna dalam palet sangat terbatas
Kustomisasi UI otomatis: Menggunakan palet warna dari gambar profil pengguna untuk mengkustomisasi tampilan antarmuka aplikasi, menciptakan pengalaman yang lebih personal
Rekomendasi produk berdasarkan warna: Membuat sistem rekomendasi yang mengusulkan produk dengan warna serupa, seperti pakaian atau dekorasi interior, berdasarkan palet warna yang diekstrak dari gambar favorit pengguna.




■────────────────────────────────────────────────────────────────────■
│                                                                    │
│ Copyright 2014-2024 Aria Ghora Prabono. Any and all opinions       │
│ listed here are personal unless stated otherwise.                  │
│                                                                    │
■────────────────────────────────────────────────────────────────────■