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!**