您可以使用PIL在每个维度上反复将图像缩小2倍，直到达到1x1。我不知道PIL在大比例缩小时使用什么算法，因此在单个调整大小中直接转到1x1可能会丢失信息。它可能不是最有效的，但是它将为您提供图像的“平均”颜色。

Python Imaging Library在Image对象上具有方法getcolors：

im.getcolors（） =>（计数，颜色）元组的列表或无

我猜您仍然可以尝试在此之前调整图像的大小，然后查看其效果是否更好。

下面是一个基于c ++ Qt的示例，用于猜测主要的图像颜色。您可以使用PyQt并将其翻译为等效的Python。

#include <Qt/QtGui>
#include <Qt/QtCore>
#include <QtGui/QApplication>

int main(int argc, char** argv)
{
    QApplication app(argc, argv);
    QPixmap pixmap("logo.png");
    QImage image = pixmap.toImage();
    QRgb col;
    QMap<QRgb,int> rgbcount;
    QRgb greatest = 0;

    int width = pixmap.width();
    int height = pixmap.height();

    int count = 0;
    for (int i = 0; i < width; ++i)
    {
        for (int j = 0; j < height; ++j)
        {
            col = image.pixel(i, j);
            if (rgbcount.contains(col)) {
                rgbcount[col] = rgbcount[col] + 1;
            }
            else  {
                rgbcount[col] = 1;
            }

            if (rgbcount[col] > count)  {
                greatest = col;
                count = rgbcount[col];
            }

        }
    }
    qDebug() << count << greatest;
    return app.exec();
}

不必像Peter所建议的那样使用k均值来找到主要颜色。这使一个简单的问题复杂化了。您还受到选择的集群数量的限制，因此从根本上讲，您需要了解所查看的内容。

正如您所提到的和zvone的建议，使用Pillow库可以快速找到最常见/最主要的颜色。我们只需要按像素数对像素进行排序。

from PIL import Image

    def find_dominant_color(filename):
        #Resizing parameters
        width, height = 150,150
        image = Image.open(filename)
        image = image.resize((width, height),resample = 0)
        #Get colors from image object
        pixels = image.getcolors(width * height)
        #Sort them by count number(first element of tuple)
        sorted_pixels = sorted(pixels, key=lambda t: t[0])
        #Get the most frequent color
        dominant_color = sorted_pixels[-1][1]
        return dominant_color

唯一的问题是，当颜色数量大于256时，方法getcolors()返回None。您可以通过调整原始图像的大小来处理它。

总之，它可能不是最精确的解决方案，但可以完成工作。

尝试Color-thief 。它基于PIL ，效果很棒。

安装

pip install colorthief

用法

from colorthief import ColorThief
color_thief = ColorThief('/path/to/imagefile')
# get the dominant color
dominant_color = color_thief.get_color(quality=1)

它也可以找到颜色调色板

palette = color_thief.get_palette(color_count=6)

如果您仍在寻找答案，这对我有用，尽管效率不高：

from PIL import Image

def compute_average_image_color(img):
    width, height = img.size

    r_total = 0
    g_total = 0
    b_total = 0

    count = 0
    for x in range(0, width):
        for y in range(0, height):
            r, g, b = img.getpixel((x,y))
            r_total += r
            g_total += g
            b_total += b
            count += 1

    return (r_total/count, g_total/count, b_total/count)

img = Image.open('image.png')
#img = img.resize((50,50))  # Small optimization
average_color = compute_average_image_color(img)
print(average_color)

要添加到Peter的答案中，如果PIL给您的图像的模式为“ P”或几乎所有非“ RGBA”的模式，那么您需要应用Alpha蒙版将其转换为RGBA。您可以使用以下方法轻松完成此操作：

if im.mode == 'P':
    im.putalpha(0)

这是使用Pillow和Scipy的cluster软件包的代码。

为简单起见，我将文件名硬编码为“ image.jpg”。调整图像大小是为了提高速度：如果您不介意等待，请注释一下调整大小调用。当在此蓝胡椒样本图像上运行时，通常会说主导色是＃d8c865，它大致对应于两个胡椒左下角的浅黄色区域。我说“通常”是因为所使用的聚类算法具有一定程度的随机性。您可以通过多种方式更改此设置，但出于您的目的，它可能非常适合。 （如果需要确定的结果，请检查kmeans2（）变体上的选项。）

from __future__ import print_function
import binascii
import struct
from PIL import Image
import numpy as np
import scipy
import scipy.misc
import scipy.cluster

NUM_CLUSTERS = 5

print('reading image')
im = Image.open('image.jpg')
im = im.resize((150, 150))      # optional, to reduce time
ar = np.asarray(im)
shape = ar.shape
ar = ar.reshape(scipy.product(shape[:2]), shape[2]).astype(float)

print('finding clusters')
codes, dist = scipy.cluster.vq.kmeans(ar, NUM_CLUSTERS)
print('cluster centres:\n', codes)

vecs, dist = scipy.cluster.vq.vq(ar, codes)         # assign codes
counts, bins = scipy.histogram(vecs, len(codes))    # count occurrences

index_max = scipy.argmax(counts)                    # find most frequent
peak = codes[index_max]
colour = binascii.hexlify(bytearray(int(c) for c in peak)).decode('ascii')
print('most frequent is %s (#%s)' % (peak, colour))

注意：当我将聚类的数量从5扩展到10或15时，结果通常是绿色或蓝色。给定输入图像，这些结果也是合理的……我也无法确定哪种颜色在该图像中真正占主导地位，因此我也不会指责算法！

还有一点好处：仅使用N种最常用的颜色保存缩小尺寸的图像：

# bonus: save image using only the N most common colours
import imageio
c = ar.copy()
for i, code in enumerate(codes):
    c[scipy.r_[scipy.where(vecs==i)],:] = code
imageio.imwrite('clusters.png', c.reshape(*shape).astype(np.uint8))
print('saved clustered image')