C++基于OpenCV K-means提取图像主色时如何计算各颜色簇占比

cv::kmeans接口返回的labels矩阵已经存储了每一个输入像素对应的簇编号，所有占比计算不需要额外新增图像遍历逻辑，完全可以基于现有流程的输出直接统计。

具体实现流程 #

• 簇像素计数：初始化长度等于聚类簇数k的计数数组，逐行遍历labels矩阵，每读取到一个像素的所属簇ID，就给对应ID的计数项累加，最终得到每个簇包含的总像素数。
• 占比换算：单个簇的像素数除以输入的总像素数（即labels矩阵的总行数，等于原始图像的宽×高），乘以100即可得到该簇的像素占比百分比。
• 适配现有排序逻辑：你现有代码需要把聚类中心按亮度降序排序时，不要直接对聚类中心矩阵做原地排序——这种操作会打乱中心和原始簇索引的映射关系，最终导致占比和对应颜色错位。正确的做法是建立一个和原始簇索引一一对应的索引数组，对这个索引数组按中心亮度排序，后续取中心颜色、取对应簇占比都通过这个排好序的索引访问，就能保证两者一一对应。

可直接嵌入现有流程的代码片段 #

// 以下代码可直接对接你已有的kmeans实现，不需要改动原有主色提取的核心流程
// 现有代码已完成的逻辑：读取detect.bmp、reshape为单行浮点矩阵、调用kmeans得到labels和centers
// 其中 labels 为单列int型矩阵，每一行对应一个像素的所属簇ID
// 其中 centers 为k行3列的float型矩阵，每一行对应一个簇的中心颜色，通道顺序为B/G/R

const int k = 10; // 你已设置的聚类簇数
cv::Mat labels, centers;
// ... 原有kmeans调用逻辑保持不变 ...

// 1. 统计每个簇的像素总数
std::vector<int> cluster_pixel_cnt(k, 0);
for (int row_idx = 0; row_idx < labels.rows; row_idx++) {
    int cluster_id = labels.at<int>(row_idx, 0);
    cluster_pixel_cnt[cluster_id]++;
}
const int total_pixels = labels.rows; // 图像总像素数

// 2. 生成按亮度降序的簇索引，避免排序后颜色和占比错位
std::vector<int> sorted_idxs(k);
for (int i = 0; i < k; i++) sorted_idxs[i] = i;
std::sort(sorted_idxs.begin(), sorted_idxs.end(), [&centers](int a, int b) {
    // 按人眼感知的亮度公式计算：L = 0.299*R + 0.587*G + 0.114*B，从高到低排序
    auto luminance_a = centers.at<float>(a, 2)*0.299 + centers.at<float>(a,1)*0.587 + centers.at<float>(a,0)*0.114;
    auto luminance_b = centers.at<float>(b, 2)*0.299 + centers.at<float>(b,1)*0.587 + centers.at<float>(b,0)*0.114;
    return luminance_a > luminance_b;
});

// 3. 生成目标格式的展示内容，取前6个高亮度主色
for (int show_idx = 0; show_idx < 6; show_idx++) {
    int real_cluster_id = sorted_idxs[show_idx];
    // 读取对应簇的RGB值（OpenCV默认BGR顺序，读取后直接按R/G/B顺序拼接）
    float b = centers.at<float>(real_cluster_id, 0);
    float g = centers.at<float>(real_cluster_id, 1);
    float r = centers.at<float>(real_cluster_id, 2);
    // 计算占比，保留1位小数
    double percent = 100.0 * cluster_pixel_cnt[real_cluster_id] / total_pixels;
    // 拼接为你需要的 "[R G B] 占比百分比" 格式
    QString content = QString("[%1 %2 %3] 占比%4%")
                        .arg(r, 0, 'f', 0)
                        .arg(g, 0, 'f', 0)
                        .arg(b, 0, 'f', 0)
                        .arg(percent, 0, 'f', 1);
    // 直接将content文本传入现有QLabel控件展示即可
}

实现注意事项 #

• 注意OpenCV默认的图像通道顺序是BGR，输出RGB值时不要把B、R通道搞混，否则会出现显示的颜色和标注的RGB值不匹配的问题。
• 占比统计的准确性完全依赖labels矩阵的完整性，确保调用cv::kmeans时传入的像素数据和生成labels的数据完全一致，不要在kmeans调用前后修改输入矩阵的尺寸或内容。
• 统计占比不需要重新遍历聚类后生成的效果图像，直接基于kmeans返回的标签计算即可，性能开销几乎可以忽略。
• 如果之前的亮度排序是直接拿单通道值做比较，可替换为人眼感知加权的亮度公式，排序结果会更符合日常视觉认知。

内容的提问来源于stack exchange，提问作者sachin