Já pensou se fosse possível extrair cores automaticamente de imagens, utilizando técnicas estatísticas? Na verdade, isso é possível sim. Tome a foto abaixo, por exemplo, tirada da minha página sobre fotografia:

Não é difícil ver que as cores predominantes são os tons azuis, do mais claro ao mais escuro. Há um pouco de vinho e branco também. Quando questionado sobre essa paleta de cores, o computador retorna o seguinte:

Se pedirmos para ele ser mais específico, ele pode retornar uma paleta de 15 cores:

Nesse caso, estou usando uma técnica estatística de clusterização (ou agrupamento) de dados, chamada k-means. Meu curso de Introdução à Modelagem de Big Data trata dela com detalhes mas, em linhas gerais, o que está sendo feito aqui é o seguinte:

  1. A imagem é lida dentro do R
  2. Cada pixel é interpretado como um vetor em um espaço de três dimensões chamado RGB: R (red), G (green) e B (blue)
  3. Para cada centro de cluster (ou média de cores dos pixels) são calculadas as distâncias entre esse centro e as outras observações
  4. Determina-se quais observações pertencem a cada cluster
  5. Se há alguma mudança no pertencimento de um pixel a algum cluster, uma nova média é calculada
  6. Os passos 3 a 5 são repetidos até a convergência

Com isso, cada imagem considerada tem a sua paleta de cores estimada. O código capaz de fazer isso de modo semi-automático está abaixo:

library(jpeg)
library(scales)

imagem <- readJPEG("fotos/Galinhos_01.jpg")

dimensao <- dim(imagem)

imagem_rgb <- data.frame(
  x = rep(1:dimensao[2], each = dimensao[1]),
  y = rep(dimensao[1]:1, dimensao[2]),
  R = as.vector(imagem[,,1]),
  G = as.vector(imagem[,,2]),
  B = as.vector(imagem[,,3])
)

k_means <- kmeans(imagem_rgb[, c("R","G","B")], centers = 5, iter.max = 30)

show_col(rgb(k_means$centers))

Com isso, pensei em verificar quais seriam as paletas de cores fotos que coloquei na minha página sobre fotografia, de modo a encontrar algum padrão nas minhas criações. O resultado de algumas delas está a seguir:

# funcao para criar paleta de cores

paleta <- function(imagem, n, show = FALSE){
  # pacotes necessarios
  require(jpeg)
  require(scales)
  
  # le a imagem
  imagem <- readJPEG(imagem)
  
  # dimensoes da imagem
  dimensao <- dim(imagem)
  
  # encontra os valores rgb de cada pixel
  imagem_rgb <- data.frame(
    x = rep(1:dimensao[2], each = dimensao[1]),
    y = rep(dimensao[1]:1, dimensao[2]),
    R = as.vector(imagem[,,1]),
    G = as.vector(imagem[,,2]),
    B = as.vector(imagem[,,3])
  )
  
  # ecnontra 
  k_means <- kmeans(imagem_rgb[, c("R","G","B")], 
                    centers = n, 
                    algorithm = "Lloyd",
                    iter.max = 100)
  
  # mostra a paleta
  if(show){
    show_col(rgb(k_means$centers))
  }
  
  # retorna a paleta
  return(k_means$centers)
}

library(tidyverse)

arquivos <- list.files(path = "fotos/") %>%
  paste("fotos/", ., sep = "")

include_graphics(arquivos[1])

paleta(arquivos[1], n = 5, show = TRUE)

##              R            G            B
## 1 0.5556619923 0.5523450580 0.5760447112
## 2 0.0009807818 0.0005065415 0.0005667995
## 3 0.6501226612 0.3834856562 0.2484259031
## 4 0.4647979780 0.4464256001 0.4724367009
## 5 0.3453252695 0.4652132110 0.6127733220

include_graphics(arquivos[6])

paleta(arquivos[6], n = 5, show = TRUE)

##            R         G         B
## 1 0.02185923 0.5436648 0.8107010
## 2 0.80840787 0.7493775 0.6067056
## 3 0.11069042 0.2758768 0.3623740
## 4 0.27078694 0.6465707 0.8613847
## 5 0.47890111 0.4133501 0.3480624

include_graphics(arquivos[12])

paleta(arquivos[12], n = 5, show = TRUE)

##            R          G          B
## 1 0.01692193 0.01704408 0.01136618
## 2 0.30430590 0.32615752 0.44685073
## 3 0.18739456 0.22325881 0.34138931
## 4 0.24276513 0.27407996 0.39601050
## 5 0.12788517 0.17761642 0.29461657

include_graphics(arquivos[15])

paleta(arquivos[15], n = 5, show = TRUE)

##           R         G          B
## 1 0.9402988 0.6951377 0.03013687
## 2 0.3265524 0.2130330 0.05912327
## 3 0.6479363 0.4175421 0.03824434
## 4 0.5798695 0.4519273 0.30525098
## 5 0.4663403 0.3231593 0.09826148

include_graphics(arquivos[19])

paleta(arquivos[19], n = 5, show = TRUE)

##           R         G         B
## 1 0.5461315 0.4852426 0.4783149
## 2 0.8652335 0.6435452 0.4735613
## 3 0.1217708 0.2129412 0.2935058
## 4 0.2389868 0.3421355 0.4633820
## 5 0.3558803 0.3142926 0.3068682

Embora a técnica não tenha dado o resultado ideal em alguns casos, é possível extrair algumas informações interessantes. Por exemplo, aparentemente, tenho uma preferência por tons azuis e amarelos nas minhas fotos, mas poucos verdes e vemelhos. Muitos tons terrosos também aparecem nos meus trabalhos.