拼豆艺术图像处理：K-Means与层次聚类的颜色量化算法

1. 项目概述

拼豆艺术作为一种新兴的手工创作形式，近年来在手工爱好者圈层中迅速走红。与传统像素画不同，拼豆作品通过有限颜色的塑料豆粒排列组合，形成各种图案和造型。在这个过程中，如何将原始图像转换为适合拼豆制作的有限色板方案，成为了创作者面临的核心技术挑战。

我最近开发了一套专门针对拼豆艺术的图像颜色聚类算法，通过结合K-Means和层次聚类的优势，实现了从真彩图像到有限色板的智能转换。这个方案特别考虑了手工制作场景中的实际需求，比如色板限制、相邻色区分度等问题。

2. 核心算法原理

2.1 颜色空间选择

在图像处理领域，选择合适的颜色空间对聚类效果至关重要。经过多次实验对比，我最终采用了LAB颜色空间而非常规的RGB空间，原因在于：

• LAB空间的色度(L)与颜色信息(AB)分离，更符合人类视觉感知
• 在LAB空间中，欧式距离与人眼感知的颜色差异更接近
• 特别适合处理拼豆常见的红、黄、蓝等高饱和度颜色

转换公式如下：

python复制def rgb_to_lab(rgb_image):
    # 先将RGB转换到0-1范围
    rgb_normalized = rgb_image / 255.0
    
    # 使用OpenCV进行转换
    lab_image = cv2.cvtColor(rgb_normalized, cv2.COLOR_RGB2LAB)
    return lab_image

2.2 改进的K-Means聚类

传统K-Means算法直接应用于颜色量化时存在几个问题：

1. 对初始中心点敏感
2. 容易陷入局部最优
3. 无法自动确定最佳聚类数量

我的改进方案包括：

初始中心点优化：

python复制def initialize_centers(pixels, k):
    # 使用K-Means++算法初始化
    centers = [pixels[np.random.randint(pixels.shape[0])]]
    for _ in range(1, k):
        dists = np.array([min([np.linalg.norm(x-c)**2 for c in centers]) for x in pixels])
        probs = dists / dists.sum()
        cumprobs = probs.cumsum()
        r = np.random.rand()
        centers.append(pixels[np.where(cumprobs >= r)[0][0]])
    return np.array(centers)

聚类数量自适应：
通过轮廓系数评估不同K值的效果，自动选择最优聚类数：

python复制from sklearn.metrics import silhouette_score

def find_optimal_k(pixels, max_k=10):
    best_k = 2
    best_score = -1
    for k in range(2, max_k+1):
        kmeans = KMeans(n_clusters=k, init='k-means++')
        labels = kmeans.fit_predict(pixels)
        score = silhouette_score(pixels, labels)
        if score > best_score:
            best_score = score
            best_k = k
    return best_k

3. 层次聚类的应用

3.1 后处理优化

在初步K-Means聚类后，我引入层次聚类进行后处理优化：

1. 将每个聚类中心视为一个节点
2. 计算所有中心点之间的色差距离
3. 使用Ward方法进行层次聚类
4. 根据拼豆实际色板合并相似颜色

python复制from scipy.cluster.hierarchy import linkage, fcluster

def hierarchical_refinement(centers, threshold=15.0):
    # 计算色差距离矩阵
    Z = linkage(centers, method='ward', metric='euclidean')
    # 根据阈值划分簇
    clusters = fcluster(Z, t=threshold, criterion='distance')
    
    # 合并相似颜色
    new_centers = []
    for c in np.unique(clusters):
        mask = (clusters == c)
        if mask.sum() > 0:
            new_centers.append(centers[mask].mean(axis=0))
    return np.array(new_centers)

3.2 色板约束处理

实际拼豆制作中，可用的颜色数量受限于厂商提供的色板。我的算法特别考虑了这一点：

1. 建立常用拼豆色板的LAB颜色数据库
2. 将聚类结果映射到最近的可用色板颜色
3. 确保最终使用的颜色都是实际可获得的

python复制def map_to_palette(colors, palette_db):
    mapped = []
    for color in colors:
        # 计算与色板中所有颜色的距离
        distances = np.linalg.norm(palette_db - color, axis=1)
        # 选择距离最近的色板颜色
        mapped.append(palette_db[np.argmin(distances)])
    return np.array(mapped)

4. 完整实现流程

4.1 预处理阶段

python复制def preprocess_image(image_path, target_size=800):
    # 读取图像
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 调整大小保持宽高比
    h, w = img.shape[:2]
    scale = target_size / max(h, w)
    img = cv2.resize(img, (int(w*scale), int(h*scale)))
    
    # 转换为LAB颜色空间
    lab_img = rgb_to_lab(img)
    
    # 准备像素数据
    pixels = lab_img.reshape((-1, 3)).astype(np.float32)
    return img, pixels

4.2 主处理流程

python复制def bead_color_quantization(image_path, palette_db, max_colors=10):
    # 预处理
    orig_img, pixels = preprocess_image(image_path)
    
    # 确定最佳K值
    optimal_k = find_optimal_k(pixels, max_k=max_colors)
    
    # K-Means聚类
    kmeans = KMeans(n_clusters=optimal_k, init=initialize_centers(pixels, optimal_k))
    labels = kmeans.fit_predict(pixels)
    centers = kmeans.cluster_centers_
    
    # 层次聚类优化
    refined_centers = hierarchical_refinement(centers)
    
    # 映射到实际色板
    final_colors = map_to_palette(refined_centers, palette_db)
    
    # 生成量化图像
    quantized = final_colors[labels].reshape(orig_img.shape)
    quantized_rgb = cv2.cvtColor(quantized.astype(np.uint8), cv2.COLOR_LAB2RGB)
    
    return quantized_rgb, final_colors

5. 实际应用效果

5.1 效果对比

通过实际测试，这套算法相比传统方法有几个明显优势：

1. 在16色限制下，能保留更多图像细节
2. 自动避免生成过于相似的颜色
3. 确保所有颜色都来自实际可用的拼豆色板
4. 对高对比度区域的处理更加自然

5.2 性能优化

针对大尺寸图像的处理优化：

• 采用随机采样策略减少计算量
• 使用MiniBatchKMeans替代标准K-Means
• 实现多线程处理

python复制from sklearn.cluster import MiniBatchKMeans

def fast_kmeans(pixels, k, sample_size=10000):
    if len(pixels) > sample_size:
        indices = np.random.choice(len(pixels), size=sample_size, replace=False)
        sample = pixels[indices]
    else:
        sample = pixels
    
    kmeans = MiniBatchKMeans(n_clusters=k, init='k-means++', batch_size=256)
    kmeans.fit(sample)
    
    # 用少量样本预测全部数据
    if len(pixels) > sample_size:
        labels = kmeans.predict(pixels)
    else:
        labels = kmeans.labels_
    
    return labels, kmeans.cluster_centers_

6. 常见问题与解决方案

6.1 颜色偏差问题

现象：最终结果与预期色相有偏差
解决方案：

1. 检查LAB颜色空间转换是否正确
2. 验证色板数据库的准确性
3. 调整层次聚类的合并阈值

6.2 边缘锯齿问题

现象：色块边缘出现明显锯齿
优化方案：

python复制def smooth_edges(quantized_img, orig_img, strength=0.3):
    # 将原始图像转换为灰度
    gray = cv2.cvtColor(orig_img, cv2.COLOR_RGB2GRAY)
    
    # 边缘检测
    edges = cv2.Canny(gray, 50, 150)
    
    # 混合原始图像和量化图像
    blended = cv2.addWeighted(quantized_img, 1-strength, orig_img, strength, 0)
    
    # 只在边缘区域混合
    result = np.where(edges[...,None]!=0, blended, quantized_img)
    return result

6.3 性能瓶颈

优化技巧：

1. 对超大图像先降采样处理再还原
2. 使用GPU加速计算（如CuPy替代NumPy）
3. 缓存常用色板的聚类结果

7. 扩展应用

这套算法不仅适用于拼豆艺术，还可应用于：

• 十字绣图案设计
• 马赛克艺术创作
• 像素画风格转换
• UI设计中的配色方案生成

通过调整参数和色板数据库，可以轻松适配不同应用场景的需求。比如针对十字绣场景，可以增加对DMC绣线色板的专门支持。