#python 颜色聚类处理

Kmeans聚类算法：是最常用的聚类算法，主要思想是:在给定K值和K个初始类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。

假设k值为2时的迭代聚类

案例：对一张图片进行主色调提取

1、压缩图片，将图片中各像素块的颜色进行储存

def colorz(filename,n=3):
    img=Image.open(filename)
    img=img.rotate(-90)
    img.thumbnail((200,200))
    w,h=img.size
    print(w,h)
    print('w*h=',w*h)
    points=[]
    for count,color in img.getcolors(w*h):
        points.append(color)

2、对图片的像素点的集合进行聚类，计算出中心点的色彩值

def kmeansColor(img,n):
    points=colorz(img,3)
    fe = np.array(points,dtype=float)
    codebook, distortion = kmeans(fe,n) #n表示有n个聚类中心
    centers=np.array(codebook,dtype=int)#计算出的色彩中心位置
    return centers

3、可视化显示聚类结果，rgb的原理

#print("codebook:", codebook)   #聚类中心
centers=np.array(codebook,dtype=int)  #变为色彩，还得转为整数
fe=np.array(points)
plt.scatter(fe[:,0], fe[:,2], c='b')#设置全部像素点的颜色为蓝色
plt.scatter(codebook[:, 0], codebook[:,2], c='r')   #聚类中心为红色
plt.show()

设置5个聚类中心的结果：

在HTML中显示：

{% for c in imgcolors %}
<div style="background-color:rgb({{c[0]}},{{c[1]}},{{c[2]}}); width: 40%; height: 30%;">
    <font style="color:rgb({{c[0]}},{{c[1]}},{{c[2]}});font-size:50px">1</font>
</div>
{% endfor %}