^Assorium

Habré पर कई लेखों को एल्गोरिदम और स्क्रिप्ट के साथ प्रकाशित किया गया था: छवि में प्रमुख रंग चुनने के लिए: 1 , 2 , 3 । उन लेखों की टिप्पणियों में, आप एक दर्जन समान कार्यक्रमों और सेवाओं के लिंक पा सकते हैं। लेकिन पूर्णता की कोई सीमा नहीं है - और सबसे इष्टतम प्रतीत होने वाली पद्धति पर विचार क्यों नहीं किया जाता है? हम k- साधन विधि (k- साधन) का उपयोग करके क्लस्टरिंग का उपयोग करने के बारे में बात कर रहे हैं।

उनके पहले के कई लोगों की तरह, अमेरिकी वेब डेवलपर चार्ल्स लेइफ़र ने छवि में रंगों को क्लस्टर करने के लिए k- साधन विधि का उपयोग किया। किसी भी डेटा को क्लस्टर करने के लिए विधि का विचार इन समूहों के केंद्रों से समूहों के बिंदुओं के कुल द्विघात विचलन को कम करना है। पहले चरण में, प्रारंभिक बिंदुओं (द्रव्यमान के केंद्र) को यादृच्छिक रूप से चुना जाता है और प्रत्येक तत्व के एक विशेष केंद्र से संबद्धता की गणना की जाती है। फिर, एल्गोरिथ्म के प्रत्येक पुनरावृत्ति पर, द्रव्यमान के केंद्रों का पुनर्गणना किया जाता है - जब तक कि एल्गोरिथ्म परिवर्तित नहीं हो जाता।

परिणाम कुछ इस प्रकार है। अंक रंगीन होते हैं, क्लस्टर के रंग के आधार पर, काले बिंदु द्रव्यमान के केंद्रों का प्रतिनिधित्व करते हैं।



जैसा कि छवियों पर लागू होता है, प्रत्येक पिक्सेल को तीन-आयामी आरजीबी अंतरिक्ष में तैनात किया जाता है, जहां द्रव्यमान के केंद्रों की दूरी की गणना की जाती है। अनुकूलन के लिए, छवियों को पीआईएल पुस्तकालय का उपयोग करके 200x200 तक घटा दिया जाता है। इसका उपयोग RGB मान निकालने के लिए भी किया जाता है।

कोड

from collections import namedtuple from math import sqrt import random try: import Image except ImportError: from PIL import Image Point = namedtuple('Point', ('coords', 'n', 'ct')) Cluster = namedtuple('Cluster', ('points', 'center', 'n')) def get_points(img): points = [] w, h = img.size for count, color in img.getcolors(w * h): points.append(Point(color, 3, count)) return points rtoh = lambda rgb: '#%s' % ''.join(('%02x' % p for p in rgb)) def colorz(filename, n=3): img = Image.open(filename) img.thumbnail((200, 200)) w, h = img.size points = get_points(img) clusters = kmeans(points, n, 1) rgbs = [map(int, c.center.coords) for c in clusters] return map(rtoh, rgbs) def euclidean(p1, p2): return sqrt(sum([ (p1.coords[i] - p2.coords[i]) ** 2 for i in range(p1.n) ])) def calculate_center(points, n): vals = [0.0 for i in range(n)] plen = 0 for p in points: plen += p.ct for i in range(n): vals[i] += (p.coords[i] * p.ct) return Point([(v / plen) for v in vals], n, 1) def kmeans(points, k, min_diff): clusters = [Cluster([p], p, pn) for p in random.sample(points, k)] while 1: plists = [[] for i in range(k)] for p in points: smallest_distance = float('Inf') for i in range(k): distance = euclidean(p, clusters[i].center) if distance < smallest_distance: smallest_distance = distance idx = i plists[idx].append(p) diff = 0 for i in range(k): old = clusters[i] center = calculate_center(plists[i], old.n) new = Cluster(plists[i], center, old.n) clusters[i] = new diff = max(diff, euclidean(old.center, new.center)) if diff < min_diff: break return clusters 

उदाहरण

प्रमुख रंगों की पहचान करना एक बहुत ही उपयोगी चीज है जिसका उपयोग हमेशा किया जा सकता है। यह एक वेबसाइट या कुछ यूआई तत्वों के लिए एक पैलेट विकल्प है। उदाहरण के लिए, क्रोम ब्राउज़र फ़ेविकॉन से प्रमुख रंग का चयन करने के लिए k- साधन विधि का उपयोग करता है।