Python中利用NumPy ufunc加速HSV颜色空间量化与直方图提取

苏见山

发布时间：2026-10-12 | 1人浏览过

原创

本文介绍在Python中如何对HSV颜色空间进行量化操作以提取颜色特征。通过对比双重for循环与NumPy的ufunc函数，展示了利用自定义ufunc加速颜色量化的方法。文章包含将RGB转换为HSV、基于人眼感知特性进行分量量化、合成72维矢量及绘制直方图的完整代码示例，并提供了性能优化前后的时间对比数据。

HSV颜色空间量化与特征提取

在图像处理中，提取颜色特征是常见需求。由于HSV颜色空间更符合人眼对颜色的感知方式，通常先将图像从RGB模型转换为HSV模型。为了降低矢量维度并有效提取颜色特征，需要对HSV空间进行量化处理。

量化策略基于人眼感知特性，对H、S、V三个分量分别设定阈值进行分段。最终，各颜色分量按特定公式合成为一个72维的一维矢量。这种量化方法不仅减少了数据维度，还保留了关键的颜色分布信息。

性能优化：从循环到ufunc

在处理图像时，直接使用双重for循环遍历像素点效率较低。例如，处理一张692*1024*3大小的测试图片，优化前的运行时间约为6.9秒。若处理388*500像素的照片，耗时约1.45秒。

为了提升性能，可以利用NumPy的ufunc（通用函数）机制。通过自定义ufunc函数替换双重for循环，可以避免Python层面的循环开销。优化后的代码未使用if-else判断语句进行逐像素处理，而是通过向量化操作实现，至少节省了1/3的运行时间。优化后，处理相同尺寸图片的时间缩短至0.8秒左右。

代码实现与步骤

1. 基础实现（双重循环）

首先，加载图像并转换为HSV格式。接着，定义量化函数 quantilize，该函数接收H、S、V值，根据预设阈值列表返回量化后的索引值。最后，遍历图像像素，应用量化函数并计算直方图。

#-*-coding:utf-8-*-
import cv2
import numpy as np
from datetime import datetime
from matplotlib import pyplot as plt

def colors(imagepath):
  img = cv2.imread(imagepath)
  hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
  nhsv = np.zeros(hsv.shape[:2], dtype=np.uint8)
  t2 = datetime.now()
  for i in range(hsv.shape[0]):
    for j in range(hsv.shape[1]):
      nhsv[i][j] = quantilize(hsv[i][j])
  print datetime.now() - t2
  hist = cv2.calcHist([nhsv], [0], None, [72], [0,71]) # 40x faster than np.histogramfaster than np.histogram
  plt.plot(hist,color = 'r')
  plt.xlim([0, 72])
  plt.show()

def quantilize(value):
  '''hsv直方图量化
  value : [21, 144, 23] h, s, v
  opencv中，h-[0,180], s-[0,255], v-[0,255]
  '''
  # 
  value[0] = value[0] * 2
  hlist = [20, 40, 75, 155, 190, 270, 290, 316, 360]
  svlist = [21, 178, 255]
  for i in range(len(hlist)):
    if value[0] <= hlist[i]:
      h = i % 8
      break
  for i in range(len(svlist)):
    if value[1] <= svlist[i]:
      s = i
      break
  for i in range(len(svlist)):
    if value[2] <= svlist[i]:
      v = i
      break
  return 9 * h + 3 * s + v

2. 优化实现（NumPy ufunc）

优化方案的核心是将标量函数转换为ufunc。使用 np.frompyfunc 将自定义的 quantilize 函数转化为ufunc，该函数接受3个输入参数并返回1个输出。由于 frompyfunc 返回对象类型，需转换为 np.uint8。随后，直接对HSV图像的H、S、V通道进行向量化计算，并提取直方图。

#-*-coding:utf-8-*-
import cv2
import numpy as np
from datetime import datetime
from matplotlib import pyplot as plt

hlist = [20, 40, 75, 155, 190, 270, 290, 316, 360]
svlist = [21, 178, 255]

def quantilize(h, s, v):
  '''hsv直方图量化'''
  # value : [21, 144, 23] h, s, v
  h = h * 2
  for i in range(len(hlist)):
    if h <= hlist[i]:
      h = i % 8
      break
  for i in range(len(svlist)):
    if s <= svlist[i]:
      s = i
      break
  for i in range(len(svlist)):
    if v <= svlist[i]:
      v = i
      break
  return 9 * h + 3 * s + v

quantilize_ufunc = np.frompyfunc(quantilize, 3, 1) # 自定义ufunc函数，即将quantilize函数转化为ufunc函数，其输入参数为３个，输出参数为１个。

def colors(img):
  hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
  nhsv = quantilize_ufunc(hsv[:,:,0], hsv[:,:,1], hsv[:,:,2]).astype(np.uint8) # 由于frompyfunc函数返回结果为对象，所以需要转换类型
  hist = cv2.calcHist([nhsv], [0], None, [72], [0,71]) # 40x faster than np.histogram
  hist = hist.reshape(1, hist.shape[0]).astype(np.int32).tolist()[0]
  return hist

if __name__ == '__main__':
  img_path = path + 'test.jpg'
  img = cv2.imread(img_path)
  colors(img)