计算图像ab色彩空间分布时np.histogram2d的ValueError问题解决

执行代码np.histogram2d(pixel_ab[:, 0], pixel_ab[:, 1], bins=(ab_values[:-1], ab_values[:-1]), density=True)时抛出异常：

ValueError: too many values to unpack (expected 2)

异常根源是底层调用的histogramdd函数收到了3维输入，但预期处理的是2维数据。

问题原因 #

原代码中，每个图像转换为LAB色彩空间后，ab通道是(H, W, 2)的三维数组。使用np.vstack(pixel_ab)拼接时，会按第一维度堆叠，最终得到的pixel_ab形状为(N*H, W, 2)（N为图像数量）。此时pixel_ab[:, 0]和pixel_ab[:, 1]都是(N*H, W)的二维数组，而np.histogram2d要求输入的x、y必须是一维数组，二维输入会被内部解析为更高维数据，触发维度不匹配的报错。

修复方案 #

修改pixel_ab的拼接逻辑：将每个图像的ab通道先展平为(H*W, 2)的二维数组，再拼接所有图像的像素数据，最终得到形状为(总像素数, 2)的二维数组，确保输入histogram2d的x、y是一维数组。

修改后的完整代码 #

import numpy as np
from skimage.color import rgb2lab
from scipy.ndimage import gaussian_filter

def compute_color_distribution(images, ab_bins=32, sigma=5, lam=0.5):
    ab_values = np.linspace(-1, 1, ab_bins)
    ab_space = np.stack(np.meshgrid(ab_values, ab_values), axis=-1).reshape(-1, 2)

    pixel_ab = []
    for img in images:
        lab_img = rgb2lab(img / 255.0)
        # 将ab通道展平为(H*W, 2)的二维数组
        ab_flat = lab_img[:, :, 1:].reshape(-1, 2) / 128
        pixel_ab.append(ab_flat)
    # 拼接所有图像的展平ab数据
    pixel_ab = np.concatenate(pixel_ab, axis=0)

    hist, x_edges, y_edges = np.histogram2d(pixel_ab[:, 0], pixel_ab[:, 1], bins=(ab_values[:-1], ab_values[:-1]), density=True)
    smoothed_hist = gaussian_filter(hist, sigma)

    p = smoothed_hist / np.sum(smoothed_hist)
    p_tilde = (1 - lam) * p + lam / (ab_bins * ab_bins)

    weights = (1 / p_tilde).flatten()
    weights /= np.sum(p * weights)

    return ab_space, weights

也可以用np.vstack替代np.concatenate，只要确保每个待拼接元素是二维数组即可，效果一致。

内容的提问来源于stack exchange，提问作者stackUnderflow