用python写基于灰度质心与聚类提取关键帧的代码

以下是基于灰度质心与聚类提取关键帧的Python代码，其中使用了OpenCV库来处理图像：

import cv2
import numpy as np

def extract_keyframes(video_path, num_keyframes):
    cap = cv2.VideoCapture(video_path)

    # 获取视频的帧率和总帧数
    fps = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

    # 计算每几帧进行一次关键帧提取
    frame_interval = int(total_frames / num_keyframes)

    keyframes = []

    # 对于每一个关键帧，计算灰度质心并进行聚类
    for i in range(num_keyframes):
        # 读取当前帧
        cap.set(cv2.CAP_PROP_POS_FRAMES, i * frame_interval)
        ret, frame = cap.read()
        if not ret:
            break

        # 转化为灰度图
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 计算灰度质心
        moments = cv2.moments(gray)
        cx = int(moments['m10'] / moments['m00'])
        cy = int(moments['m01'] / moments['m00'])

        # 将灰度质心和帧图像一起加入列表
        keyframes.append((cx, cy, frame))

    # 进行聚类，选择最靠近聚类中心的帧作为关键帧
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    flags = cv2.KMEANS_PP_CENTERS

    # 将灰度质心作为特征进行聚类
    features = np.array([(cx, cy) for (cx, cy, _) in keyframes], dtype=np.float32)
    compactness, labels, centers = cv2.kmeans(features, num_keyframes, None, criteria, 10, flags)

    # 选择每个聚类中心最近的帧作为关键帧
    for i in range(num_keyframes):
        cluster_frames = [frame for (idx, frame) in enumerate(keyframes) if labels[idx] == i]
        distances = [(cx - centers[i][0]) ** 2 + (cy - centers[i][1]) ** 2 for (cx, cy, _) in cluster_frames]
        min_idx = np.argmin(distances)
        keyframes[i] = cluster_frames[min_idx]

    # 按时间顺序排序并返回关键帧
    keyframes = sorted(keyframes, key=lambda x: x[2])
    return [frame for (_, _, frame) in keyframes]

这个函数接受视频文件路径和需要提取的关键帧数量作为参数，返回提取的关键帧图像的列表。该函数将视频分成几个间隔，并计算每个间隔内的灰度质心。然后，将灰度质心作为特征进行聚类，并选择每个聚类中心最近的帧作为关键帧。最后按时间顺序对关键帧进行排序并返回。