### Python 实现图像颜色识别、映射算法及可视化 #### 使用PIL和NumPy处理图像并提取颜色信息 为了实现图像的颜色识别，可以利用Python中的`Pillow`库来加载图片，并借助于`numpy`来进行像素级别的操作。 ```python from PIL import Image import numpy as np def load_image(image_path): img = Image.open(image_path).convert('RGB') data = np.array(img, dtype=np.float32) / 255.0 return data ``` 此函数读取指定路径下的图像文件，并将其转换成适合后续处理的形式[^1]。 #### 应用K-Means聚类进行颜色分组 对于颜色识别而言，K-means是一种常用的方法。下面这段代码展示了如何应用scikit-learn中的KMeans模型对图像中的颜色进行聚类： ```python from sklearn.cluster import KMeans def color_quantization(data, n_colors=8): w, h, d = tuple(data.shape) image_array = np.reshape(data, (w * h, d)) kmeans = KMeans(n_clusters=n_colors, random_state=42).fit(image_array) labels = kmeans.predict(image_array) centers = kmeans.cluster_centers_ quantized_data = centers[labels].reshape((w, h, -1)) return quantized_data, centers ``` 这里定义了一个名为`color_quantization()`的函数，该函数接收原始图像数据作为输入参数，并返回经过量化后的图像矩阵以及代表每种颜色簇中心位置的颜色向量[^2]。 #### 颜色映射与可视化 最后一步是对上述得到的结果做进一步加工以便更好地理解所获得的信息。Matplotlib是一个强大的绘图工具包，在这里用来创建直方图以显示不同类别之间的分布情况；而Seaborn则提供了更美观的数据表示方式。 ```python import matplotlib.pyplot as plt import seaborn as sns def plot_color_distribution(colors, title="Color Distribution"): fig, ax = plt.subplots() colors_rgb = [(int(r*255), int(g*255), int(b*255)) for r,g,b in colors] patches = [] for i, c in enumerate(colors_rgb): patch = plt.Rectangle((0, 0), 1, 1, fc='#%02x%02x%02x' % c) patches.append(patch) legend_labels = ['Cluster {}'.format(i+1) for i in range(len(patches))] box = ax.get_position() ax.set_position([box.x0, box.y0, box.width * 0.8, box.height]) ax.legend(patches, legend_labels, loc='center left', bbox_to_anchor=(1, 0.5), borderaxespad=0., prop={'size': 9}) ax.axis('off') plt.title(title) plt.show() quantized_img, cluster_centers = color_quantization(load_image("example.jpg")) plot_color_distribution(cluster_centers) ``` 以上代码片段实现了完整的流程：从导入必要的模块到最终绘制出反映各主要色调占比关系图表的过程。