利用k-means聚类算法识别图片主色调

由于使用php来写图片主色调识别功能太麻烦了，所以我给大家介绍利用利用k-means聚类算法识别图片主色调方法，比php要己100倍哦。

识别图片主色调这个，网上貌似有几种方法，不过，最准确，最优雅的解决方案还是利用聚类算法来做。。。

直接上代码。。。。不过，我测试结果表示，用PHP来做，效率不佳，PHP不适合做这种大规模运算~~~，用nodejs做 效率可以高出100倍左右。。。

代码如下

复制代码

$start = microtime(TRUE);  main();    function main($img = ‘colors_files/T1OX3eXldXXXcqfYM._111424.jpg’)  {      list($width, $height, $mime_code) = getimagesize($img);    $im = null;  $point = array();  switch ($mime_code)  {  # jpg  case 2:  $im =imagecreatefromjpeg($img);  break;    # png  case 3:    default:  exit(‘擦 ，什么图像？解析不了啊’);  }    $new_width = 100;  $new_height = 100;  $pixel = imagecreatetruecolor($new_width, $new_height);  imagecopyresampled($pixel, $im, 0, 0, 0, 0, $new_width, $new_height, $width, $height);    run_time();    $i = $new_width;  while ($i–)  {  # reset高度  $k = $new_height;  while ($k–)  {  $rgb = ImageColorAt($im, $i, $k);  array_push($point, array(‘r’=>($rgb >> 16) & 0xFF, ‘g’=>($rgb >> 8) & 0xFF, ‘b’=>$rgb & 0xFF));  }  }  imagedestroy($im);  imagedestroy($pixel);    run_time();    $color = kmeans($point);    run_time();    foreach ($color as $key => $value)  &nb sp; {  echo ‘ ’ . RGBToHex($value[0]) . ‘’;  }    }    function run_time()  {  global $start;  echo ‘ 消耗:’, microtime(TRUE) – $start;  }    function kmeans($point=array(), $k=3, $min_diff=1)  {  global $ii;  $point_len = count($point);  $clusters = array();  $cache = array();      for ($i=0; $i {  $cache[$i] = $i*$i;  }    # 随机生成k值  $i = $k;  $index = 0;  while ($i–)  {  $index = mt_rand(1,$point_len-100);  array_push($clusters, array($point[$index], array($point[$index])));  }      run_time();  $point_list = array();    $run_num = 0;    while (TRUE)  {  foreach ($point as $value)  {  $smallest_distance = 10000000;    # 求出距离最小的点  # index用于保存point最靠近的k值  $index = 0;  $i = $k;  while ($i–)  {  $distance = 0;  foreach ($value as $key => $p1)  {  &n bsp; if ($p1 > $clusters[$i][0][$key])  {  $distance += $cache[$p1 - $clusters[$i][0][$key]];  }  else  {  $distance += $cache[$clusters[$i][0][$key] – $p1];  }  }    $ii++;    if ($distance {  $smallest_distance = $distance;  $index = $i;  }  }  $point_list[$index][] = $value;  }    $diff = 0;  # 1个1个迭代k值  $i = $k;  while ($i–)  {  $old = $clusters[$i];    # 移到到队列中心  $center = calculateCenter($point_list[$i], 3);  # 形成新的k值集合队列  $new_cluster = array($center, $point_list[$i]);  $clusters[$i] = $new_cluster;    # 计算新的k值与队列所在点的位置  $diff = euclidean($old[0], $center);  }    # 判断是否已足够聚合  if ($diff {  break;  > }    }  echo ‘—>’.$ii;    return $clusters;  }    # 计算2点距离  $ii = 0;  function euclidean($p1, $p2)  {    $s = 0;  foreach ($p1 as $key => $value)  {    $temp = ($value – $p2[$key]);  $s += $temp*$temp;  }    return sqrt($s);    }    # 移动k值到所有点的中心  function calculateCenter($point_list, $attr_num) {  $vals = array();  $point_num = 0;    $keys = array_keys($point_list[0]);  foreach($keys as $value)  {  $vals[$value] = 0;  }    foreach ($point_list as $arr)  {  $point_num++;  foreach ($arr as $key => $value)  {  $vals[$key] += $value;  }  }      foreach ($keys as $index)  {  $vals[$index] = $vals[$index] / $point_num;  }    return $vals;  }        function RGBToHex($r, $g=”, $b=”)  {  if (is_array($r))  {  $b = $r['b'];  $g = $r['g'];  $r = $r['r'];  }    $hex = “#”;  $hex.= str_pad(dechex($r), 2, ’0′, STR_PAD_LEFT);  $hex.= str_pad(dechex($g), 2, ’0′, STR_PAD_LEFT);  $hex.= str_pad(dechex($b), 2, ’0′, STR_PAD_LEFT);    return $hex;  }  ?>