图像去抗锯齿优化求助：现有代码输出颜色边界存在瑕疵

你的思路方向是对的——提取主色调并将像素替换为最接近的主色，但当前边界效果不理想，核心问题是只依赖单个像素的颜色匹配，没考虑邻域上下文，而且主色调提取可能被抗锯齿过渡色干扰。下面给你几个针对性的改进方案，一步步解决这个问题：

问题根源分析 #

1. 直接统计所有像素的颜色频率时，抗锯齿产生的过渡色（比如两种主色之间的中间色）可能会被误统计为高频颜色，导致提取的主色调不够“纯粹”。
2. 逐像素匹配颜色时，边界处的过渡像素会被单独归类，破坏了色块的完整性，出现零散的异色噪点。

改进方案1：用K-Means聚类精准提取主色调 #

相比单纯按颜色频率排序，K-Means能把视觉相似的颜色（包括过渡色）归为一类，提取出的主色调更符合人眼感知的“核心主色”，避免过渡色干扰。

替换原有的主色调提取代码：

import numpy as np
from PIL import Image
from sklearn.cluster import KMeans

image = Image.open('pattern_2.png')
image_nd = np.array(image)
# 将图像转为像素列表（像素数×3的二维数组）
pixels = image_nd.reshape(-1, 3)
# K-Means聚类提取4种主色调
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(pixels)
four_major_colors = kmeans.cluster_centers_.astype(np.uint8)

改进方案2：邻域投票优化像素匹配 #

不再只看单个像素，而是参考周围3×3邻域内的像素颜色分布，选择邻域内占比最高的主色调，避免单个过渡像素破坏色块统一性。

新增邻域匹配函数并替换原有的逐像素处理逻辑：

def closest_with_neighbor(image, colors, x, y, kernel_size=3):
    h, w = image.shape[:2]
    # 计算邻域范围，避免越界
    start_x = max(0, x - kernel_size//2)
    end_x = min(w, x + kernel_size//2 + 1)
    start_y = max(0, y - kernel_size//2)
    end_y = min(h, y + kernel_size//2 + 1)
    # 提取邻域内所有像素
    neighbor_pixels = image[start_y:end_y, start_x:end_x].reshape(-1, 3)
    
    # 统计邻域内每个主色调的匹配次数
    color_counts = {}
    for pxl in neighbor_pixels:
        dists = np.sqrt(np.sum((colors - pxl)**2, axis=1))
        closest_idx = np.argmin(dists)
        color_tuple = tuple(colors[closest_idx])
        color_counts[color_tuple] = color_counts.get(color_tuple, 0) + 1
    
    # 返回邻域内占比最高的主色调
    return max(color_counts, key=color_counts.get)

# 应用邻域匹配处理图像
h, w = image_nd.shape[:2]
for y in range(h):
    for x in range(w):
        image_nd[y, x] = closest_with_neighbor(image_nd, four_major_colors, x, y)

改进方案3：边缘强化让边界更锐利（可选） #

如果想要更硬朗的色块边界，可以先提取图像边缘，在边缘处强制使用对比强烈的主色调，彻底消除抗锯齿的模糊感：

from skimage import feature

# 提取图像边缘（基于灰度图）
edges = feature.canny(image_nd.mean(axis=2)/255, sigma=1)

# 重新处理图像：边缘处用差异最大的主色调，非边缘处用邻域投票
for y in range(h):
    for x in range(w):
        if edges[y, x]:
            # 边缘像素选择与当前像素差异最大的主色调，强化边界对比
            pxl = image_nd[y, x]
            dists = np.sqrt(np.sum((four_major_colors - pxl)**2, axis=1))
            image_nd[y, x] = four_major_colors[np.argmax(dists)]
        else:
            image_nd[y, x] = closest_with_neighbor(image_nd, four_major_colors, x, y)

完整改进代码 #

把以上步骤整合后的完整代码：

import numpy as np
from PIL import Image
from sklearn.cluster import KMeans
from skimage import feature

def closest_with_neighbor(image, colors, x, y, kernel_size=3):
    h, w = image.shape[:2]
    start_x = max(0, x - kernel_size//2)
    end_x = min(w, x + kernel_size//2 + 1)
    start_y = max(0, y - kernel_size//2)
    end_y = min(h, y + kernel_size//2 + 1)
    neighbor_pixels = image[start_y:end_y, start_x:end_x].reshape(-1, 3)
    
    color_counts = {}
    for pxl in neighbor_pixels:
        dists = np.sqrt(np.sum((colors - pxl)**2, axis=1))
        closest_idx = np.argmin(dists)
        color_tuple = tuple(colors[closest_idx])
        color_counts[color_tuple] = color_counts.get(color_tuple, 0) + 1
    
    return max(color_counts, key=color_counts.get)

# 加载图像
image = Image.open('pattern_2.png')
image_nd = np.array(image)
h, w = image_nd.shape[:2]

# K-Means提取主色调
pixels = image_nd.reshape(-1, 3)
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(pixels)
four_major_colors = kmeans.cluster_centers_.astype(np.uint8)

# 提取边缘用于强化边界
edges = feature.canny(image_nd.mean(axis=2)/255, sigma=1)

# 逐像素处理
for y in range(h):
    for x in range(w):
        if edges[y, x]:
            pxl = image_nd[y, x]
            dists = np.sqrt(np.sum((four_major_colors - pxl)**2, axis=1))
            image_nd[y, x] = four_major_colors[np.argmax(dists)]
        else:
            image_nd[y, x] = closest_with_neighbor(image_nd, four_major_colors, x, y)

# 保存结果
aliased = Image.fromarray(image_nd)
aliased.save("pattern_2_al.png")

这些改进后，你会得到边界锐利、色块统一的去抗锯齿效果，完美贴合你想要的风格。

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