2024年鸿蒙最全千图成像！祝可爱的小伙伴们圣诞快乐_axure画圣诞树(3)，阿里面试失败征兆-CSDN博客

本文链接：https://blog.csdn.net/2401_84862416/article/details/138888375

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

    f.write(res.content)

if name == ‘__main__’:
fans = get_fansInfo()
for f in fans[‘data’][‘list’]:
username = f[‘fans’] # 用户名
url = f[‘avatar’] # 头像地址
download_avatar(username,url)
print(‘用户"%s"头像下载完成!’%username)


将头像下载完毕并去重，结果如下：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20201224210126233.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbW9sX2p1c3Rkbw==,size_16,color_FFFFFF,t_70#pic_center)  
 一共有2796张非重复图片，有了它们，我们便可以开始——搞事情！


### 2.千图成像


所谓**千图成像**就是用很多张图片拼接成一张完整的图片，它需要两个部分：**一张背景图**，**一个图片库**。根据背景图的结构用图片库中的图片来进行拼接，最终形成新的图片。


一种最简单直观的思路便是：遍历背景图中的每个像素点，并用图库中与之颜色最相近的图片粘贴在这个位置。


因此，我们首先需要计算每个图片的“平均颜色”，即图片像素点（R,G,B）的平均值，代码如下：

def compute_mean(imgPath):
‘’’
计算平均（R,G,B）
‘’’
img = Image.open(imgPath)
img = img.convert(‘RGB’)
imgArray = np.array(img)
R = np.mean(imgArray[:,:,0])
G = np.mean(imgArray[:,:,1])
B = np.mean(imgArray[:,:,2])
return (R,G,B)


遍历图片库中的每张图片，并得到它们的平均距离，生成一个图片列表，以便后续的使用：

def get_imgList(imgDir):
‘’’
获取图片列表（图片目录及平均颜色）
‘’’
imgList = []
for imgName in os.listdir(imgDir):
path = imgDir+imgName
color = compute_mean(path)
imgList.append({‘path’:path,‘RGB’:color})
return imgList


该列表的每个元素是一个字典，包括了**path**和**RGB**，分别表示图片的路径以及图片的平均颜色，如下：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20201224213515297.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbW9sX2p1c3Rkbw==,size_16,color_FFFFFF,t_70#pic_center)  
 在得到了图片的“平均颜色”后，便是比较背景图的像素点与它的相似性，这里采用了欧式距离：

def compute_distance(color1, color2):
‘’’
计算两张图的颜色差
‘’’
dis = 0
for i in range(len(color1)):
dis += (color1[i]-color2[i])**2
dis = dis**0.5
return dis


剩下的便是遍历背景图，并进行比较填充，代码如下：

def create_image(bgImg,imgDir,N=10,M=50):
‘’’
根据背景图，用头像填充出新图
bgImg：背景图地址
imgDir：头像目录
N：背景图缩放的倍率
M：头像的大小（MxM）
‘’’
# 获取图片列表
imgList = get_imgList(imgDir)

# 读取背景图
bg = Image.open(bgImg)
bg = bg.resize((bg.size[0]//N,bg.size[1]//N)) # 缩放
bgArray = np.array(bg)
width = bg.size[0]\*M  # 新生成图片的宽度
height = bg.size[1]\*M # 新生成图片的高度

# 创建空白的新图
newImg = Image.new('RGB',(width,height))

# 循环填充图
for x in range(bgArray.shape[0]):
    for y in range(bgArray.shape[1]):
        ## 找到距离最小的图片
        minDis = 10000
        index = 0
        for img in imgList:
            dis = compute_distance(img['RGB'],bgArray[x][y])
            if dis < minDis:
                index = img['path']
                minDis = dis
        ## 填充
        tempImg = Image.open(index)
        tempImg = tempImg.resize((M,M))
        newImg.paste(tempImg,(y\*M,x\*M))
        print('(%d, %d)'%(x,y))
        
# 保存图片
newImg.save('千图成像.jpg')


调用它：

create_image(‘bg.jpg’,‘./avatars(dr)/’,5,50)


函数的输入有**bgImg**、**imgDir**、**N**、**M**，它们分别表示：




| 参数 | 含义 |
| --- | --- |
| bgImg | 背景图的地址 |
| imgDir | 图片库的目录 |
| N | 背景图的压缩比率 |
| M | 填充的图片大小 |


注：imgDir最后需要有目录连接符/，否则会报错；N是为了将背景图的尺寸进行调整压缩，否则容易因为像素点太多而执行缓慢。


最后，代码一Run，小图在手，简单的快乐，美滋滋~


## 写在最后


由于kimol君太想赶在圣诞前将这份礼物送出，所以代码以及文字略显仓促，还望大家见谅。


客观来说，该代码的执行效率并不高，特别是当N设置得较小（即背景图片像素点很多）或者图片库中的图片很多时。针对这个问题，也有很多优化方法，例如采用图片向量的方式对图片进行编码，进而比较等等。感兴趣的小伙伴可以参考[这篇文章]( )。


![img](https://img-blog.csdnimg.cn/img_convert/2fd88f5fc55e0718552f6c4c2922ae3d.png)
![img](https://img-blog.csdnimg.cn/img_convert/6add1e3da35ad7e7e5c8ae9d823d7cf1.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618636735)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

真正的技术提升。**

**[需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618636735)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**