当前位置: 首页 > wzjs >正文

个人网站备案查询私域流量运营管理

个人网站备案查询,私域流量运营管理,免费logo设计图,网站集群建设价格一、理论深度提升:补充算法细节与数学基础 1. K-Means 算法核心公式(增强专业性) 在 “原理步骤” 中加入数学表达式,说明聚类目标: K-Means 的目标是最小化簇内平方和(Within-Cluster Sum of Squares, W…

一、理论深度提升:补充算法细节与数学基础

1. K-Means 算法核心公式(增强专业性)

在 “原理步骤” 中加入数学表达式,说明聚类目标:
K-Means 的目标是最小化簇内平方和(Within-Cluster Sum of Squares, WCSS):J=∑i=1K​∑x∈Ci​​∥x−μi​∥2
其中,Ci​ 是第 i 个簇,μi​ 是簇中心。算法通过迭代更新簇中心 μi​ 和分配样本到最近中心,逐步优化 J。

2. 颜色空间选择(扩展知识边界)

新增小节说明 RGB 颜色空间的局限性,推荐更适合聚类的颜色空间(如 Lab):

  • RGB:各通道高度相关,欧氏距离不能准确反映视觉差异。
  • Lab:基于人眼感知,通道独立,聚类效果更符合视觉预期(可补充代码示例,需安装colorama库)。

 

二、K-Means 颜色聚类(K-Means Color Clustering)

1.概念与作用

K-Means 颜色聚类是借助 K-Means 聚类算法 对图像(或颜色集合)中的颜色进行分组,目的是提取出最具代表性的若干种颜色(聚类中心),实现颜色简化或风格化。比如:

1)简化图像色彩:把照片的上百种颜色压缩为 5 - 10 种主色,生成类似插画、低多边形艺术的效果。

2)色彩分析:快速找出图像里占比高的颜色,用于设计配色参考、图像分类(如区分风景照的 “暖色调”“冷色调” )。

2.原理步骤

1)数据准备:把图像的每个像素(RGB 形式,如 (r, g, b) )视为高维空间(3 维,对应 RGB 通道)中的点。

2)聚类分组:用 K-Means 算法将这些点聚成 K 类(K 是你设定的聚类数,比如 5 类就提取 5 种主色 )。算法随机选 K 个初始中心,不断迭代调整,让同类点尽可能靠近自己的中心,不同类中心尽可能远离。

3)颜色替换:用每个聚类的中心颜色,替换该类所有像素的颜色。最终图像就只剩 K 种主色,实现色彩简化。

代码:(使用的时候记得修改图片路径)

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from matplotlib.image import imreaddef set_chinese_font():"""设置 Matplotlib 支持中文显示的字体"""import matplotlib.font_manager as fmchinese_fonts = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC", "Microsoft YaHei"]available_fonts = [f.name for f in fm.fontManager.ttflist]for font in chinese_fonts:if font in available_fonts:plt.rcParams["font.family"] = fontprint(f"已设置中文字体: {font}")return Trueprint("警告: 未找到可用的中文字体,图表中的中文可能显示为方块")return False# 设置中文字体
set_chinese_font()
image_path = r"D:\keshihua\biancheng\PythonProject1\haimianbaobao.jpg"  
try:image = imread(image_path)if image.shape[-1] == 4:image = image[..., :3]print(f"图像加载成功,尺寸: {image.shape}")
except FileNotFoundError:print("错误:图片路径不存在,请检查路径!")exit(1)
except Exception as e:print(f"加载图片失败: {e}")exit(1)n_clusters = 5  
pixels = image.reshape(-1, 3)  kmeans = KMeans(n_clusters=n_clusters, random_state=42, n_init='auto')
kmeans.fit(pixels)if image.dtype == np.uint8:main_colors = kmeans.cluster_centers_.astype(np.uint8)
else:main_colors = kmeans.cluster_centers_
main_colors = main_colors.reshape(-1, 3)plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title("原始图像")
plt.axis('off')plt.subplot(1, 2, 2)
color_width = 1 / n_clusters  
for i in range(n_clusters):plt.fill_between(x=[i * color_width, (i + 1) * color_width],y1=0, y2=1,color=main_colors[i] / 255.0 if image.dtype == np.uint8 else main_colors[i],edgecolor='white')
plt.axis('off')
plt.title(f"提取的 {n_clusters} 种主色")plt.tight_layout()
plt.show()print("提取的主色 (RGB 数值):")
for i, color in enumerate(main_colors):if image.dtype == np.uint8:print(f"主色 {i+1}: {color}")else:print(f"主色 {i+1}: {color.round(3)}")

运行结果:

三、渐变色(Gradient Color)

1.概念与作用

渐变色是指 两种或多种颜色之间平滑过渡的色彩效果 ,能营造柔和、连贯的视觉感受。结合 K-Means 颜色聚类,常用来:

1)可视化聚类结果:用聚类得到的主色,生成从一种主色平滑过渡到另一种主色的色带,直观展示 “提取了哪些主色” 。

2)设计配色方案:基于图像主色,快速生成协调的渐变色,用于 UI 设计、海报背景等。

2.实现方式:

1)提取主色:先用 K-Means 聚类得到 K 个主色(聚类中心)。

2)创建渐变映射:用 LinearSegmentedColormap(Matplotlib 工具),把主色按顺序排列,让颜色在色带中平滑过渡。

3)生成渐变图像:用创建好的颜色映射,生成从左到右(或其他方向)的渐变色带。

代码:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from matplotlib.image import imread
from matplotlib.colors import LinearSegmentedColormap# 设置中文字体
def set_chinese_font():import matplotlib.font_manager as fmchinese_fonts = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC", "Microsoft YaHei"]available_fonts = [f.name for f in fm.fontManager.ttflist]for font in chinese_fonts:if font in available_fonts:plt.rcParams["font.family"] = fontprint(f"已设置中文字体: {font}")return Trueprint("警告: 未找到可用的中文字体,图表中的中文可能显示为方块")return Falseset_chinese_font()image_path = r"D:\keshihua\biancheng\PythonProject1\haimianbaobao.jpg"
try:image = imread(image_path)if image.shape[-1] == 4:image = image[..., :3]print(f"图像加载成功,尺寸: {image.shape}")
except Exception as e:print(f"加载图片失败: {e}")exit(1)n_clusters = 5  # 可调整聚类数量
pixels = image.reshape(-1, 3)kmeans = KMeans(n_clusters=n_clusters, random_state=42, n_init='auto')
kmeans.fit(pixels)if image.dtype == np.uint8:main_colors = kmeans.cluster_centers_.astype(np.uint8)
else:main_colors = kmeans.cluster_centers_
main_colors = main_colors.reshape(-1, 3)# 归一化颜色到 [0,1] 范围
main_colors_normalized = main_colors / 255.0 if image.dtype == np.uint8 else main_colors# 创建渐变色映射(按聚类中心顺序过渡)
cmap = LinearSegmentedColormap.from_list('custom_gradient', main_colors_normalized, N=200)# 生成水平渐变色条
gradient = np.linspace(0, 1, 500).reshape(1, -1)  # 500 个渐变点
gradient_image = cmap(gradient)[0, :, :3]  # 提取 RGB 值plt.figure(figsize=(14, 8))# 子图 1:原始图像
plt.subplot(2, 2, 1)
plt.imshow(image)
plt.title("原始图像")
plt.axis('off')# 子图 2:主色提取(色块形式)
plt.subplot(2, 2, 2)
color_width = 1 / n_clusters
for i in range(n_clusters):plt.fill_between(x=[i * color_width, (i + 1) * color_width],y1=0, y2=1,color=main_colors_normalized[i],edgecolor='white',linewidth=1)# 添加颜色标签plt.text((i * color_width + (i + 1) * color_width) / 2,0.5,f"#{i+1}",ha='center',va='center',color='white' if np.mean(main_colors_normalized[i]) < 0.5 else 'black',fontweight='bold')
plt.axis('off')
plt.title(f"提取的 {n_clusters} 种主色")# 子图 3:渐变色条(水平)
plt.subplot(2, 1, 2)
plt.imshow(gradient_image.reshape(1, -1, 3), aspect='auto')
plt.title("主色之间的平缓过渡")
plt.axis('off')# 添加主色标记点(修复颜色格式问题)
for i in range(n_clusters):pos = i / (n_clusters - 1) if n_clusters > 1 else 0.5  # 计算位置plt.plot([pos * 499], [0], 'wo', markersize=8, markeredgecolor='black')  # 白色圆点# 修复:使用 tuple 格式传递颜色,而不是字符串plt.plot([pos * 499], [0], 'o', color=tuple(main_colors_normalized[i]), markersize=5)plt.tight_layout()
plt.show()print("提取的主色 (RGB 数值):")
for i, color in enumerate(main_colors):rgb_str = f"RGB({color[0]:3d}, {color[1]:3d}, {color[2]:3d})"hex_str = '#{:02x}{:02x}{:02x}'.format(*color) if image.dtype == np.uint8 else ''print(f"主色 #{i+1}: {rgb_str} {hex_str if hex_str else ''}")

原图:

四、常见问题与优化策略(提升实用性)

1. 如何选择最优 K 值?

新增小节介绍肘部法则(Elbow Method),通过 WCSS 曲线确定最佳聚类数:

 

# 计算不同K值的WCSS
wcss = []
for k in range(2, 10):kmeans = KMeans(k, random_state=42).fit(pixels)wcss.append(kmeans.inertia_)# 绘制肘部曲线
plt.plot(range(2, 10), wcss, 'bo-')
plt.xlabel("聚类数 K")
plt.ylabel("WCSS")
plt.title("肘部法则确定最优K值")
2. 聚类结果不稳定怎么办?

建议:

  • 增加n_init参数(如n_init=10),重复初始化多次取最优。
  • 使用层次聚类(Hierarchical Clustering)作为预聚类,提供更稳定的初始中心。

 

3. 对比其他颜色聚类算法

新增表格对比 K-Means 与其他算法的优缺点:

 

http://www.dtcms.com/wzjs/238646.html

相关文章:

  • 沈阳网站模板外贸海外推广
  • 三亚做网站的公司seo优化网站推广
  • 定制企业网站app推广项目从哪接一手
  • 产品外包装设计网站今日热点新闻事件简介
  • 在家做网站指数函数
  • 网络营销的六大新特征网店seo是什么意思
  • 中国建设银行网站官网下载安装搜索引擎优化的办法有哪些
  • 电子商务网站建设与管理课件广东网约车涨价
  • 网页设计 站点中山疫情最新消息
  • 信息技术网站建设专业电子技术培训机构
  • 广州品牌网站设计微信引流的十个方法
  • 个人网站备案做商城百度网盘帐号登录入口
  • 土木工程毕业论文代做网站域名查询工具
  • 文明网站机制建设冯耀宗seo教程
  • 做水产的都用什么网站怎么优化网站关键词的方法
  • 搞定设计网站做的图怎么下载不了站长seo综合查询
  • 北京比较好的网站建设公司百度重庆营销中心
  • 网站资料筹备营销网站建设方案
  • 哪个博客可以做单页网站白云百度seo公司
  • 深圳小程序开发南京seo排名公司
  • 盐城经济技术开发区建设局网站seo自学网站
  • 利用百度搜索自己的网站推广普通话手抄报模板可打印
  • vs2012手机网站开发教程营销策划主要做些什么
  • 常德新闻网网站优化软件哪个好
  • wordpress 双语主题临沂seo全网营销
  • 百度网站权重站长交流平台
  • 团购网站自个做网站制作公司网站
  • 做网站服务器配置现在百度怎么优化排名
  • 中国科技发展成果武汉整站seo数据上云
  • 做网站数据存在哪里seo网站关键词优化排名