【图像处理基石】如何从动漫参考图中提取色彩风格？

引言

动漫的色彩风格是其视觉表达的核心——《你的名字》的清新透亮、《鬼灭之刃》的高饱和对比、《进击的巨人》的暗沉压抑，不同作品的配色体系直接决定了观众的情感共鸣。对于创作者（同人画师、游戏UI设计师、动画从业者）而言，手动提取动漫参考图的色彩风格（如主色调、配色比例、明暗规律）不仅耗时，还难以精准复现其和谐性。

本文将拆解动漫色彩风格的核心要素，基于K-Means聚类、色彩空间分析等算法，用Python实现一套完整的动漫色彩风格提取流程，包括主色调提取、配色比例计算、色彩分布统计、色彩和谐性分析四大核心功能，代码可直接运行，帮你快速“扒取”心仪动漫的色彩密码！

一、动漫色彩风格的核心要素

在动手实现前，先明确我们需要提取的“色彩风格”到底包含什么——这是算法设计的前提：

1. 主色调：画面中最具代表性的3-8种核心颜色（动漫配色通常简洁集中，不会过于复杂）；
2. 配色比例：各主色调在画面中的像素占比（比如《你的名字》中蓝色占比30%、粉色占比25%）；
3. 色彩分布规律：亮度（明暗）、饱和度（鲜艳度）的统计分布（比如清新风动漫多集中在高亮度、中高饱和度）；
4. 色彩和谐性：主色调之间的色相关系（如互补色、邻近色），这是动漫配色“好看”的关键。

二、技术选型与环境准备

1. 依赖库说明

• Pillow：图片加载、预处理、色彩空间转换；
• numpy：像素矩阵运算、数据处理；
• scipy.cluster.vq：K-Means聚类（提取主色调核心算法）；
• matplotlib：色彩分布可视化、结果展示；
• scipy.stats：统计分析（亮度/饱和度分布）。

2. 环境安装

pip install pillow numpy scipy matplotlib

三、算法原理与分步实现

核心流程

动漫参考图 → 预处理（去噪、缩放）→ 色彩空间转换（RGB→HSV）→ 像素数据提取 → K-Means聚类提取主色调 → 配色比例计算 → 亮度/饱和度分布分析 → 色彩和谐性判断 → 结果可视化与导出

完整代码（带详细注释）

from PIL import Image, ImageFilter
import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.vq import kmeans, vq
from scipy.stats import gaussian_kde
import json# -------------------------- 1. 图片预处理函数 --------------------------
def preprocess_image(image_path, target_size=(800, 600)):"""图片预处理：加载、缩放、去噪（减少干扰，提高聚类效率）:param image_path: 动漫参考图路径:param target_size: 目标尺寸（宽, 高），缩放后加速运算:return: RGB格式图片、HSV格式图片"""# 加载图片并转换为RGB（排除Alpha通道干扰）img_rgb = Image.open(image_path).convert("RGB")# 缩放（保持比例，避免拉伸）img_rgb.thumbnail(target_size, Image.Resampling.LANCZOS)# 轻微高斯模糊去噪（动漫图本身边缘清晰，模糊半径不宜过大）img_rgb = img_rgb.filter(ImageFilter.GaussianBlur(radius=0.5))# 转换为HSV色彩空间（更符合人眼对色彩的感知，便于分离色相/饱和度/明度）img_hsv = img_rgb.convert("HSV")return img_rgb, img_hsv# -------------------------- 2. K-Means聚类提取主色调 --------------------------
def extract_main_colors(img_rgb, num_colors=5, threshold=0.02):"""基于K-Means聚类提取主色调（核心算法）:param img_rgb: RGB格式图片:param num_colors: 期望提取的主色调数量（动漫图推荐3-8）:param threshold: 最小占比阈值（过滤占比低于此值的次要颜色）:return: 主色调列表（RGB格式）、各颜色占比列表"""# 1. 提取像素数据：将图片转为像素矩阵（shape: [像素数, 3]）pixels = np.array(img_rgb).reshape(-1, 3).astype(np.float32)# 归一化到[0,1]（K-Means对数值范围敏感，归一化提升稳定性）pixels_normalized = pixels / 255.0# 2. K-Means聚类：自动分组相似像素# kmeans函数返回：聚类中心（主色调）、方差（聚类质量，越小越好）centroids, _ = kmeans(pixels_normalized, num_colors, iter=20)# 3. 为每个像素分配到最近的聚类中心（确定每个像素属于哪个主色调）labels, _ = vq(pixels_normalized, centroids)# 4. 计算各主色调的占比total_pixels = len(labels)color_counts = np.bincount(labels)  # 统计每个聚类的像素数color_ratios = color_counts / total_pixels  # 转换为占比# 5. 过滤占比过低的次要颜色，按占比降序排序valid_mask = color_ratios >= thresholdvalid_centroids = centroids[valid_mask]valid_ratios = color_ratios[valid_mask]# 按占比降序排序（方便后续展示核心颜色）sorted_indices = np.argsort(valid_ratios)[::-1]sorted_colors = (valid_centroids[sorted_indices] * 255).astype(np.uint8)  # 转回[0,255]sorted_ratios = valid_ratios[sorted_indices]# 转换为列表格式（便于后续处理）main_colors = [tuple(color) for color in sorted_colors]color_ratios = [float(ratio) for ratio in sorted_ratios]return main_colors, color_ratios# -------------------------- 3. 色彩分布分析（亮度/饱和度） --------------------------
def analyze_color_distribution(img_hsv):"""分析动漫图的亮度（V通道）和饱和度（S通道）分布:param img_hsv: HSV格式图片:return: 亮度数据、饱和度数据"""# 分离HSV通道（Pillow的HSV通道范围：H[0,255], S[0,255], V[0,255]）h_channel, s_channel, v_channel = img_hsv.split()# 转为numpy数组便于统计s_data = np.array(s_channel).flatten() / 255.0  # 饱和度（0=灰度，1=全饱和）v_data = np.array(v_channel).flatten() / 255.0  # 亮度（0=纯黑，1=纯白）return s_data, v_data# -------------------------- 4. 色彩和谐性分析 --------------------------
def analyze_color_harmony(main_colors):"""分析主色调的和谐关系（基于色相角）和谐类型：邻近色（色相差0-30°）、类似色（30-60°）、互补色（150-180°）、对比色（90-150°）:param main_colors: 主色调列表（RGB格式）:return: 和谐性分析结果（字典）"""# 1. 将RGB主色调转为HSV，提取色相角（H通道）hsv_colors = [Image.new("RGB", (1,1), color).convert("HSV").getpixel((0,0)) for color in main_colors]hues = [h / 255.0 * 360.0 for h, _, _ in hsv_colors]  # 转为[0,360°]色相角# 2. 计算所有主色调对的色相差（取最小夹角，0-180°）color_pairs = []num_colors = len(hues)for i in range(num_colors):for j in range(i+1, num_colors):hue_diff = abs(hues[i] - hues[j])hue_diff = min(hue_diff, 360 - hue_diff)  # 最小夹角（避免190°等价于170°）# 判断和谐类型if hue_diff <= 30:harmony_type = "邻近色"elif hue_diff <= 60:harmony_type = "类似色"elif hue_diff <= 150:harmony_type = "对比色"else:harmony_type = "互补色"color_pairs.append({"color1": main_colors[i],"color2": main_colors[j],"hue_diff": round(hue_diff, 1),"harmony_type": harmony_type})return {"hues": [round(h, 1) for h in hues],"color_pairs": color_pairs}# -------------------------- 5. 结果可视化与导出 --------------------------
def visualize_and_export(main_colors, color_ratios, s_data, v_data, harmony_result, output_dir="color_style_result"):"""可视化色彩风格结果（主色调、占比、分布直方图）并导出数据:param main_colors: 主色调列表:param color_ratios: 颜色占比列表:param s_data: 饱和度数据:param v_data: 亮度数据:param harmony_result: 和谐性分析结果:param output_dir: 输出目录"""import osos.makedirs(output_dir, exist_ok=True)# 1. 可视化：主色调+占比饼图fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(15, 12))# 主色调色卡color_blocks = np.zeros((50, len(main_colors)*100, 3), dtype=np.uint8)for i, color in enumerate(main_colors):color_blocks[:, i*100:(i+1)*100, :] = colorax1.imshow(color_blocks)ax1.axis("off")ax1.set_title("主色调色卡", fontsize=14)# 配色占比饼图colors_hex = [f"#{r:02x}{g:02x}{b:02x}" for r, g, b in main_colors]ax2.pie(color_ratios, labels=[f"颜色{i+1}\n{ratio:.1%}" for i, ratio in enumerate(color_ratios)],colors=colors_hex, autopct="%1.1f%%", startangle=90)ax2.set_title("配色占比", fontsize=14)# 饱和度分布直方图（带密度曲线）ax3.hist(s_data, bins=50, alpha=0.6, color="#ff7f0e", density=True)# 高斯核密度估计（更平滑的分布曲线）s_kde = gaussian_kde(s_data)s_range = np.linspace(0, 1, 100)ax3.plot(s_range, s_kde(s_range), color="#1f77b4", linewidth=2)ax3.set_xlabel("饱和度（0=灰度，1=全饱和）")ax3.set_ylabel("密度")ax3.set_title("饱和度分布", fontsize=14)ax3.grid(alpha=0.3)# 亮度分布直方图（带密度曲线）ax4.hist(v_data, bins=50, alpha=0.6, color="#2ca02c", density=True)v_kde = gaussian_kde(v_data)v_range = np.linspace(0, 1, 100)ax4.plot(v_range, v_kde(v_range), color="#d62728", linewidth=2)ax4.set_xlabel("亮度（0=纯黑，1=纯白）")ax4.set_ylabel("密度")ax4.set_title("亮度分布", fontsize=14)ax4.grid(alpha=0.3)# 保存可视化图plt.tight_layout()plt.savefig(os.path.join(output_dir, "color_style_analysis.png"), dpi=300, bbox_inches="tight")plt.show()# 2. 导出色彩风格数据（JSON格式，便于后续应用）style_data = {"main_colors": [list(color) for color in main_colors],  # RGB值"color_ratios": color_ratios,  # 占比"color_hex": colors_hex,  # 十六进制颜色码（便于设计工具使用）"harmony_analysis": harmony_result,"saturation_stats": {"mean": float(np.mean(s_data)),  # 平均饱和度"std": float(np.std(s_data))    # 饱和度标准差（越小越集中）},"value_stats": {"mean": float(np.mean(v_data)),  # 平均亮度"std": float(np.std(v_data))    # 亮度标准差}}with open(os.path.join(output_dir, "color_style_data.json"), "w", encoding="utf-8") as f:json.dump(style_data, f, ensure_ascii=False, indent=4)print(f"色彩风格分析结果已保存至：{output_dir}")print(f"提取主色调数：{len(main_colors)}")print(f"主色调（RGB/十六进制）：")for i, (color, hex_code, ratio) in enumerate(zip(main_colors, colors_hex, color_ratios)):print(f"  颜色{i+1}：{color} / {hex_code}（占比：{ratio:.1%}）")# -------------------------- 6. 整合流程：一键提取动漫色彩风格 --------------------------
def extract_anime_color_style(image_path, num_colors=5, threshold=0.02):"""一键提取动漫参考图的色彩风格:param image_path: 动漫参考图路径（支持JPG/PNG）:param num_colors: 期望提取的主色调数量:param threshold: 最小占比阈值（过滤次要颜色）"""# 步骤1：图片预处理img_rgb, img_hsv = preprocess_image(image_path)print(f"图片预处理完成，尺寸：{img_rgb.size}")# 步骤2：提取主色调与配色比例main_colors, color_ratios = extract_main_colors(img_rgb, num_colors, threshold)print("主色调与配色比例提取完成")# 步骤3：分析亮度/饱和度分布s_data, v_data = analyze_color_distribution(img_hsv)print("色彩分布分析完成")# 步骤4：色彩和谐性分析harmony_result = analyze_color_harmony(main_colors)print("色彩和谐性分析完成")# 步骤5：可视化与导出结果visualize_and_export(main_colors, color_ratios, s_data, v_data, harmony_result)# -------------------------- 7. 调用示例 --------------------------
if __name__ == "__main__":# 替换为你的动漫参考图路径（建议选择画面主体清晰、无过多杂物的图）ANIME_IMAGE_PATH = "anime_reference.jpg"# 执行色彩风格提取（可调整参数）extract_anime_color_style(image_path=ANIME_IMAGE_PATH,num_colors=6,        # 期望提取的主色调数（3-8为宜）threshold=0.03       # 过滤占比低于3%的次要颜色)

四、算法核心原理解析

1. 主色调提取：为什么用K-Means？

动漫图的色彩特征是离散化、高对比度（比如角色头发、服装、背景的颜色区分明显），K-Means聚类能自动将像素按RGB相似度分组，聚类中心就是“最具代表性的主色调”。相比传统的“直方图统计+阈值筛选”，K-Means能：

• 自动适应不同动漫的色彩复杂度（无需手动调整阈值）；
• 合并相似颜色（比如不同明暗的蓝色会被归为一类）；
• 按占比排序，优先保留核心配色。

2. 色彩空间选择：为什么用HSV？

RGB空间适合计算，但难以分离“色彩种类”（色相）、“鲜艳度”（饱和度）、“明暗”（亮度）。HSV空间直接拆分这三个维度，让我们能：

• 单独分析饱和度分布（比如清新风动漫的饱和度集中在0.6-0.9）；
• 单独分析亮度分布（比如暗黑系动漫的亮度集中在0.2-0.5）；
• 基于色相角判断色彩和谐性（互补色、邻近色等）。

3. 色彩和谐性判断依据

基于色彩理论的色相角差规则（行业通用标准）：

色相角差	和谐类型	特点（动漫中常见场景）
0-30°	邻近色	柔和统一（如《玉子爱情故事》的暖色调）
30-60°	类似色	协调有层次（如《夏目友人帐》的自然配色）
90-150°	对比色	鲜明有张力（如《鬼灭之刃》的红+绿）
150-180°	互补色	强烈冲击（如《EVA》的红+蓝）

五、效果验证与参数调优

1. 关键参数调优技巧

参数	作用	推荐范围	调优建议
num_colors	期望主色调数	3-8	简洁动漫图（如单角色）用3-5种；复杂场景（如全景）用6-8种
threshold	最小占比阈值	0.02-0.05	过滤杂色：背景复杂时设0.03-0.05；需要保留细节时设0.02
target_size	预处理缩放尺寸	(600,400)-(1000,800)	尺寸越小运算越快，但过小会丢失色彩信息；建议≥600px

2. 避坑指南

• 选择参考图时，优先选无水印、无黑边、主体清晰的图（避免杂物干扰聚类）；
• 若提取的主色调偏暗/偏亮，可检查图片是否过曝/欠曝，或调整threshold过滤背景色；
• K-Means聚类结果可能有微小差异（随机初始化），若不满意可多次运行，或增大kmeans的iter参数（如30）。

六、扩展应用场景

提取的色彩风格数据可直接用于以下场景：

1. 辅助创作

• 将color_style_data.json中的十六进制颜色码导入PS、SAI等设计工具，直接使用参考图的配色；
• 基于亮度/饱和度分布，调整自己的画作（比如参考《你的名字》的高饱和，提高作品饱和度至0.7-0.9）。

2. 自动配色迁移

基于提取的主色调，用色彩替换算法将其他图片的配色替换为参考图风格（扩展代码示例）：

def transfer_color_style(source_img_path, target_style_data, output_path):"""将目标图的配色迁移为参考图的色彩风格:param source_img_path: 目标图路径:param target_style_data: 参考图色彩风格数据（JSON加载）:param output_path: 输出路径"""source_img = Image.open(source_img_path).convert("RGB")source_pixels = np.array(source_img).reshape(-1, 3).astype(np.float32) / 255.0# 参考图主色调（归一化）target_colors = np.array(target_style_data["main_colors"]) / 255.0# 为目标图每个像素分配到参考图最近的主色调labels, _ = vq(source_pixels, target_colors)# 替换为参考图主色调transferred_pixels = target_colors[labels] * 255.0transferred_img = Image.fromarray(transferred_pixels.reshape(source_img.size[1], source_img.size[0], 3).astype(np.uint8))transferred_img.save(output_path)print(f"配色迁移完成，保存至：{output_path}")# 调用示例
with open("color_style_result/color_style_data.json", "r") as f:style_data = json.load(f)
transfer_color_style("my_drawing.jpg", style_data, "transferred_drawing.jpg")

3. 批量分析与风格分类

对多个动漫作品的色彩风格进行批量提取，统计主色调、亮度、饱和度特征，实现动漫风格分类（如“清新风”“暗黑风”“高对比风”）。

七、总结与优化方向

本文实现了一套轻量、高效的动漫色彩风格提取算法，核心优势是：

• 基于K-Means聚类，自动适配不同动漫的色彩特征；
• 兼顾“主色调+配色比例+分布规律+和谐性”，提取信息全面；
• 代码模块化，易于扩展和二次开发。

后续可优化的方向：

1. 加入背景色自动过滤（基于语义分割，如用Mask R-CNN剔除纯黑/纯白背景）；
2. 结合深度学习（如CNN）提取更高级的色彩风格特征（如局部配色规律）；
3. 支持批量处理，并生成可直接导入设计工具的色卡文件（如ASE格式）；
4. 增加配色冲突检测（避免提取的配色出现不和谐组合）。

如果在使用过程中遇到问题，或有更好的优化思路，欢迎在评论区交流～