前面连续做了图片清晰度检测和图像差异检测，这次继续做一个比较轻量的 OpenCV 小工具：
图片主色提取工具。
有时候我们看到一张图片，会很自然地觉得它"偏蓝""偏绿"或者"整体是暖色调"。
但如果想让程序自动回答：
这张图片主要由哪些颜色组成？每种颜色大概占多少？
就需要把图片里的大量像素颜色进行归类。
这次我使用 OpenCV + K-Means，实现了一个简单的：
Image Color Palette
上传一张图片后，自动提取 Top 5 主色，并显示：
- 颜色块
- RGB
- HEX
- 颜色占比
- 完整 Color Palette
一、为什么要提取图片主色？
一张普通图片可能包含几十万甚至上百万个像素。
每个像素都有自己的 RGB 值。
如果直接统计所有颜色，会得到非常多结果，而且很多颜色之间只差一点点。
比如天空区域可能同时包含：
浅蓝
蓝灰
亮蓝
偏白蓝
但从人的视觉角度看，它们其实都属于：
"天空这一组蓝色"
所以更合理的做法，是把相近的颜色聚在一起。
这就是这次使用 K-Means 的原因。
二、K-Means 在这里怎么用？
K-Means 本质上是一种聚类算法。
这次可以把每一个像素理解成一个三维数据点：
R
G
B
也就是：
(R, G, B)
然后让 K-Means 把所有像素分成 5 类。
这里设置：
K = 5
最终每一类都会得到一个聚类中心。
这个中心就可以看成：
这一组像素的代表颜色。
整体流程：
读取图片
↓
转换像素数据
↓
K-Means 聚类
↓
得到 5 个颜色中心
↓
统计每一类像素数量
↓
计算颜色占比
↓
按照占比排序
最后就能得到：
Top 5 Dominant Colors
三、这个工具做了哪些功能？
这次功能依然保持简单。
上传一张 JPG 或 PNG 图片以后，页面会自动显示：
原图预览
Top 5 Color Palette
RGB
HEX
颜色占比
同时 5 个主色会按照占比从高到低排列。
这样就能非常直观地看到：
一张图片整体上是什么颜色风格。
四、真实测试：公园里的狗狗图片
这次继续使用前面一直测试的狗狗图片。
图片里主要包含：
蓝天
绿色草地
树木
湖面
金黄色狗狗
从肉眼上看，本身就是一张颜色比较丰富的图片。
程序最终提取到了 5 个主色。
结果如下：
| 排名 | HEX | RGB | 占比 |
|---|---|---|---|
| 1 | #A1C8F0 | (161, 200, 240) | 25.78% |
| 2 | #B2A564 | (178, 165, 100) | 22.65% |
| 3 | #7F7D42 | (127, 125, 66) | 21.96% |
| 4 | #DAC59B | (218, 197, 155) | 15.29% |
| 5 | #4B4D1F | (75, 77, 31) | 14.32% |
五种颜色占比相加刚好为：
100%
五、这些颜色和原图对得上吗？
其实从结果就能看出比较明显的对应关系。
第一种颜色：
#A1C8F0
是比较明显的浅蓝色。
它主要对应：
天空
湖面
部分高亮区域
占比：
25.78%
也是整张图片中占比最高的一类颜色。
第二种：
#B2A564
偏黄绿色。
它主要来自：
草地
树木
部分狗狗毛发和地面区域
占比：
22.65%
第三种：
#7F7D42
属于更深一点的橄榄绿色。
主要对应：
树叶
阴影草地
远处植被
占比：
21.96%
第四种：
#DAC59B
属于浅米黄色。
这类颜色主要来自：
狗狗毛发
亮部草地
部分建筑和地面
占比：
15.29%
第五种：
#4B4D1F
是比较深的绿色。
主要来自：
树木阴影
深色植被区域
占比：
14.32%
所以虽然 K-Means 并不知道什么叫：
天空
草地
狗狗
但通过颜色聚类，最终结果和人眼对这张图片的整体感受是比较一致的。
六、为什么不是直接统计"出现最多的 RGB"？
如果直接统计 RGB 出现次数，结果往往并不好用。
因为真实图片里存在：
光照变化
压缩
阴影
渐变
噪声
同一个蓝色天空区域，可能包含很多不同的 RGB 值。
这些颜色看起来很接近，但数值并不完全一样。
如果逐个统计，就会把它们拆成很多小颜色。
K-Means 的作用，就是把这些：
相近的颜色聚成一组。
最终只保留几个代表色。
所以相比直接做像素频次统计，K-Means 更适合做：
图片主色提取。
七、RGB 和 HEX 为什么都显示？
这次页面里同时显示了：
RGB
和：
HEX
例如第一种颜色：
RGB：
(161, 200, 240)
HEX：
#A1C8F0
RGB 更适合程序和图像处理。
HEX 则在：
网页设计
UI 配色
CSS
平面设计
中更加常见。
所以把两种格式都显示出来，后面直接复制颜色会方便很多。
八、这个工具有什么实际用途？
虽然功能比较简单，但实际使用场景还挺多。
图片配色分析
例如看到一张自己喜欢的照片，可以快速提取它的主要颜色。
然后作为：
PPT
海报
网页
UI
的配色参考。
封面设计
如果想让文字、按钮或者装饰元素和原图风格统一，就可以先提取主色。
然后直接使用对应的 HEX。
数据集分析
做计算机视觉任务时，也可以用主色分布简单观察不同图片之间的色彩差异。
图片自动分类
后面如果继续扩展，还可以根据颜色分布把图片简单分成：
偏蓝
偏绿
偏暖
偏暗
等类别。
九、K-Means 也有局限
主色提取并不是说：
这 5 个颜色就是图片中唯一存在的颜色。
实际上，原图里仍然包含大量不同 RGB。
K-Means 只是把这些像素压缩成：
5 个代表颜色。
另外，K 值也会直接影响结果。
如果：
K = 3
得到的是更加概括的主色。
如果：
K = 10
结果会更加细致。
这次选择：
K = 5
主要是因为既不会过于粗略，也不会让页面出现太多颜色。
比较适合做一个简单的 Palette。
十、这次项目依然保持"小而完整"
最近几篇我没有继续做特别复杂的大系统，而是想尝试这种：
一个文章解决一个具体问题。
这次技术也很简单：
Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript
不需要：
深度学习模型
数据库
登录系统
复杂前端框架
上传一张图片以后，几秒内就能直接得到颜色分析结果。
对于这种小工具来说已经足够了。
总结
这次完成了一个基于 OpenCV K-Means 的图片主色提取工具。
核心流程：
图片
↓
像素 RGB
↓
K-Means
↓
5 个 Cluster
↓
Color Center
↓
颜色占比
↓
Top 5 Palette
真实测试中，这张狗狗图片最终提取出的主色分别为：
#A1C8F0 --- 25.78%
#B2A564 --- 22.65%
#7F7D42 --- 21.96%
#DAC59B --- 15.29%
#4B4D1F --- 14.32%
结果基本对应：
蓝天
草地
植被
狗狗毛发
阴影区域
也说明 K-Means 用来做简单的图片主色分析还是非常直观的。
前面几篇分别解决了：
图片糊不糊？
两张图片哪里不一样？
这一篇则回答：
这张图片主要是什么颜色？
下一篇可以继续做一个同样简单的 OpenCV 小工具：
图片拍歪了怎么办？用 OpenCV 做自动倾斜检测与纠偏。