Python中5张图像RGB颜色分布的简易对比方法求助

核心思路 #

不用像素级比对，直接通过RGB通道直方图的可视化+简单量化指标就能快速判断颜色分布和频次的差异，适合新手快速上手。

步骤1：用Pillow提取每张图像的RGB直方图 #

Pillow的Image.histogram()方法会直接返回一个长度为768的数组：前256个元素是红色通道的频次（对应0-255亮度值），中间256个是绿色通道，最后256个是蓝色通道。

示例代码：

from PIL import Image

# 替换成你的5张图片路径列表
image_paths = ["img1.jpg", "img2.jpg", "img3.jpg", "img4.jpg", "img5.jpg"]
histograms = []

for path in image_paths:
    with Image.open(path) as img:
        # 统一转为RGB格式，避免灰度图/RGBA格式干扰
        rgb_img = img.convert("RGB")
        # 获取直方图并拆分RGB三个通道
        full_hist = rgb_img.histogram()
        r_hist = full_hist[:256]
        g_hist = full_hist[256:512]
        b_hist = full_hist[512:]
        histograms.append((r_hist, g_hist, b_hist))

步骤2：可视化对比（最直观） #

用Matplotlib把所有图像的同一通道直方图画在同一张图里，一眼就能看出分布差异——比如红色通道的曲线重叠度、峰值位置、分布宽度的区别。

示例代码：

import matplotlib.pyplot as plt

# 自定义标签，方便区分不同图像
img_labels = ["图1", "图2", "图3", "图4", "图5"]
channel_names = ["红色", "绿色", "蓝色"]

# 分别绘制三个通道的对比图
for channel_idx in range(3):
    plt.figure(figsize=(10, 5))
    for img_idx in range(len(histograms)):
        # 获取当前图像对应通道的直方图数据
        current_hist = histograms[img_idx][channel_idx]
        plt.plot(range(256), current_hist, label=img_labels[img_idx], alpha=0.6)
    
    plt.title(f"{channel_names[channel_idx]}通道颜色分布对比")
    plt.xlabel("颜色亮度值（0-255）")
    plt.ylabel("像素出现频次")
    plt.legend()
    plt.show()

如果两张图颜色分布相似，曲线会几乎重叠；若差异明显，曲线的形状、峰值位置会有显著区别。

步骤3：简单量化差异（可选） #

如果需要用数值量化差异，可以计算直方图的余弦相似度（值越接近1越相似）或均方误差（值越小越相似）。这里以余弦相似度为例：

示例代码：

from scipy.spatial.distance import cosine

# 以第一张图为基准，对比其余图像的相似度
base_r, base_g, base_b = histograms[0]

for idx in range(1, len(histograms)):
    r_sim = 1 - cosine(base_r, histograms[idx][0])
    g_sim = 1 - cosine(base_g, histograms[idx][1])
    b_sim = 1 - cosine(base_b, histograms[idx][2])
    avg_sim = (r_sim + g_sim + b_sim) / 3
    print(f"图1 vs 图{idx+1}：平均颜色分布相似度 = {avg_sim:.4f}")

平均相似度接近1说明分布差异极小；远小于1则说明颜色分布存在明显不同。

注意事项 #

• 所有图像统一转为RGB格式，避免灰度图、RGBA格式的干扰。
• 如果图像尺寸差异过大，可先resize到相同尺寸再提取直方图，减少像素数量差异带来的频次偏差（可选，根据需求决定）。

内容的提问来源于stack exchange，提问作者BeatriceD1995