Python与K-means聚类实现图片主色提取：从像素到色卡的完整方案

说到底就是一件事：一群设计师朋友经常让我帮他们做封面图的主色提取，手动在软件里取色，一张图少说得折腾几分钟，几十张图下来真的是纯粹浪费时间。后来我把整套流程写成了脚本，用Python配合K-means聚类来自动化提取图片主色，效果比我预想得要稳定得多，处理几百张图只需要几秒钟。这篇文章就把我自己的实现思路、代码、优化过程和踩过的坑一起整理出来，适合刚开始接触图像处理、或者想给设计工具链加个自动取色功能的人参考。

1. 取色需求看着简单，但“主色”两个字其实需要重新定义

1.1 为什么“出现次数最多的颜色”不等于主色

很多人第一次接触这个话题时，第一反应是直接统计图片里每个像素点的RGB数值，然后把出现次数最多的那几个颜色挑出来。这个思路没有错，但它有一个致命的问题：图片里几乎没有完全相同的像素值。

一张真实照片或渲染图，少说也有几十万个像素，每个像素的RGB值都不一样。就算远处一面白墙，受光照、阴影、噪点影响，RGB值也都在一个范围里波动，很少出现两个像素的RGB完全相等的情况。直接按像素值统计“出现次数最多”，结果往往是一堆离散且相似的杂点，根本看不出主色是什么。

所以“主色提取”这个需求的核心不是统计频次，而是做颜色分组——把颜色接近的像素归成一类，再从每个类里找代表色。这就是我选择聚类的根本原因。

1.2 常见取色方案的对比

这里简单对比一下几种常见方案的优劣，方便你在实际项目里做取舍。

实际做下来的感受是，中位切分法也有不少场景在使用，尤其在图像量化压缩里比较常见。但如果目的是提取“人眼能感受到的主色”，K-means聚类更贴近我们的主观分组方式，而且后期调节参数、做颜色筛选都比较顺手。

1.3 为什么K-means和主色提取这么契合

K-means做的事情本质上就是在特征空间里找K个中心点，让每个样本点到最近中心的距离总和尽可能小。放到取色场景里，每个像素的RGB值就是三维空间里的一个点，聚类完成后得到的K个中心点，恰好就是K组颜色的代表。

这个类比非常直观：就好像你把人按兴趣分组，最后每组推选一个代表出来说话。K-means就是在RGB空间里把颜色点分组，然后让每个组的中心来代表整组颜色。主色这个概念本身就和聚类结果高度一致，所以我最终选定它作为核心算法。

2. 从像素到颜色组：K-means究竟在像素矩阵上做了什么

2.1 K-means聚类算法的三步迭代

K-means的迭代过程并不复杂，整体可以拆成三步循环：

1. 初始化：随机选K个点作为初始聚类中心。
2. 分配：计算每个样本点到这K个中心的距离，把样本归到离它最近的中心所属的类别。
3. 更新：重新计算每个类别内所有样本的均值，用这个均值作为新的聚类中心。

然后重复“分配”和“更新”两步，直到聚类中心不再发生明显变化，或者达到预设的迭代次数上限。我用的库是scikit-learn，里面已经把这套流程封装好了，实际调用就是创建一个KMeans对象然后fit，即可完成整个训练流程。

需要说明的是，初始聚类中心的选择对结果影响很大。scikit-learn默认会使用一个叫k-means++的初始化方式，它会尽量让初始中心彼此分散，避免一上来就全挤在一个区域，相比完全随机初始化稳定很多。我在代码里设置n_init=10，意思是用10组不同的初始中心分别训练，最后取最优的那一组，这样能进一步降低坏结果出现的概率。

2.2 倒腾数据：把图片变成聚类可用的特征矩阵

图片读入后，通常是一个三维数组，形状是(高, 宽, 通道数)。以一张256x256的RGB图片为例，它的形状就是(256, 256, 3)，CHW则很少见，这里我们注意不混淆即可。但K-means需要的输入是一个二维矩阵，形状是(样本数, 特征维度)，所以要做一次数组形状转换。

这一步非常关键，但操作起来非常简单：

import cv2 import numpy as np image_rgb = cv2.cvtColor(cv2.imread("input.jpg"), cv2.COLOR_BGR2RGB) pixels = image_rgb.reshape(-1, 3).astype(np.float32) print(pixels.shape) # 比如 (65536, 3)

这个reshape操作的意思很清楚：把原本按网格排列的像素行全部拉平，每一行变成“一个像素样本”，三列分别是R、G、B三个通道的取值。之前二维的宽高信息对聚类来说没有意义，我们只关心颜色分布，不关心颜色在图片的哪个位置。

为什么要转成float32？因为聚类过程中要计算均值，如果用uint8存储，数值范围虽然是0到255，但很多计算中间结果会产生小数，用整型会损失精度。转成浮点型之后，后续的均值计算、距离度量都更准确。

2.3 RGB空间的距离直觉

K-means默认使用欧氏距离来度量样本之间的相似程度，也就是像素点在三维RGB空间里的直线距离。两个颜色越接近，它们的欧氏距离就越小；距离远的两个颜色，肉眼看起来通常也确实有很大差异。

这里要留个心眼：RGB空间对颜色差异的度量不完全符合人眼感知。比如纯绿色和墨绿色在RGB空间里的距离可能很大，但人眼看着都是绿色；相反，一些看起来差别明显的颜色，在RGB空间里距离反而可能不大。大多数情况下这不是什么问题，因为主色提取本身只是做整体趋势分析，不需要极度精确的颜色差异模型。但如果你的场景对人眼感知要求很高，后面我会提到可以尝试HSV空间来改善。

3. 第一次可运行的实现：完整代码与逐步拆解

3.1 安装依赖和加载图片

首先需要准备环境依赖，我用的是这几个库：

• opencv-python：负责图片读取、缩放、颜色空间转换。
• numpy：处理数组reshpe和数值计算。
• scikit-learn：提供现成的KMeans实现。
• matplotlib：用于色卡可视化展示。
• Pillow：一部分图片格式处理场景会用到，不是必选。

安装只需一行命令：

pip install opencv-python numpy scikit-learn matplotlib pillow

加载图片的时候要注意一个高频坑：OpenCV的imread读出来的通道顺序是BGR，不是RGB。如果不做转换，直接用这个数组做聚类，训练逻辑不会报错，但最后输出的颜色和你在图片里看到的会存在通道错位。我在代码里统一用COLOR_BGR2RGB做了转换，这点必须养成肌肉记忆。

3.2 准备特征矩阵

读入图片后，我先做了一次降采样，再把降采样后图片的像素矩阵转换成二维表。降采样的原因后面单独讲，这里只需要知道它能大幅减少参与聚类的样本数量，对结果影响很小，对速度影响极大。

def load_image_resized(image_path, max_side=256): image = cv2.imread(image_path) if image is None: raise FileNotFoundError(f"无法读取图片：{image_path}") h, w = image.shape[:2] scale = max_side / max(h, w) if scale < 1.0: new_w = int(w * scale) new_h = int(h * scale) image = cv2.resize(image, (new_w, new_h), interpolation=cv2.INTER_AREA) image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) return image_rgb

这里用INTER_AREA插值，它对缩小图片更友好，能减少缩放带来的颜色纹波。当然如果原图本来就小于max_side，就不做缩放操作，保持原始尺寸。

3.3 聚类与主色提取代码

核心提取函数如下：

from sklearn.cluster import KMeans def extract_main_colors(image_rgb, k=5): pixels = image_rgb.reshape(-1, 3).astype(np.float32) kmeans = KMeans(n_clusters=k, n_init=10, random_state=42) kmeans.fit(pixels) colors = np.round(kmeans.cluster_centers_).astype(int) labels = kmeans.labels_ counts = np.bincount(labels).astype(np.float32) proportions = counts / counts.sum() # 按占比从高到低排序 order = np.argsort(proportions)[::-1] colors = colors[order] proportions = proportions[order] return colors, proportions

这里有几个细节值得展开说明。

cluster_centers_是聚类中心的坐标，也就是每一类颜色的RGB值。因为原始坐标是浮点数，我做了四舍五入转成整数，方便后续输出十六进制颜色码。

labels_是一个一维数组，长度等于像素数量，每个元素表示对应像素被分到了第几个簇。用np.bincount统计每个簇的像素数量，除以总像素数，就得到了每个主色的占比。

排序很重要。K-means的聚类中心下标是随机的，第0个簇不代表占比最高的簇。如果不按占比排序，每次输出的主色顺序都会让人困惑。按占比从高到低排过一遍之后，输出的结果才符合直觉：第一个是图片里最主流的颜色。

3.4 色卡可视化

光有RGB数值不够直观，我写了一个简单的色卡展示函数：

import matplotlib.pyplot as plt def show_palette(colors, proportions): fig, axes = plt.subplots(1, len(colors), figsize=(2 * len(colors), 3)) for ax, color, prop in zip(axes, colors, proportions): # matplotlib 显示需要的颜色分量范围是 0~1，所以要除以 255 ax.imshow([[color / 255]], extent=[0, 1, 0, 1]) ax.set_title(f"{prop * 100:.1f}%") ax.axis("off") fig.subplots_adjust(wspace=0.05) plt.show()

这样跑完之后会弹出一个横向色卡窗口，每个色块下面标注占比，一眼就能看出图片是冷色调还是暖色调，主色分布是什么情况，非常直观。

第一版代码跑通之后，我就拿着它批量处理了一批封面图。K值设成5的时候，大部分图片的主色提取结果都比较符合我的预期，但对于一些明暗对比特别强烈的图片，结果里会混入不少暗色系颜色，这是后面优化阶段最主要解决的问题。

4. 提取结果想更贴近人眼感受，这几个优化值得做

4.1 K值选择：肘部法则和经验范围

K-means最麻烦的参数就是K，也就是你想提取几个主色。K太小，比如K=2，图片里多种颜色被强行揉到一起，出来的主色很寡淡；K太大，比如K=12，主色变成一眼望过去都是细碎颜色的色板，也失去了“主色”的意义。

科学一点的方式是用肘部法则来判断：对不同的K值分别计算聚类结果的inertia，也就是样本到所属中心距离的平方和。inertia会随着K增大而不断下降，下降速度会在某个点出现明显拐弯，再往后下降变缓，那个拐点就是比较合理的K值。

但在实际取色场景里，我很少真的去画肘部曲线，因为主色提取这件事带有主观审美成分，不是指标越优越好。经验值通常在3到6之间。做封面主色分析时我喜欢用5，做UI配色提取时用3或4，做商品图批量分析时用6，多一个候选用不上也没关系。

如果你实在拿不准一个图库的合适K值，可以抽样一部分图片，对比K=4和K=6的输出效果，选整体观感更符合业务需求的那个值。

4.2 降采样：既保速度又保效果的采样策略

第一次写代码时，我没有做降采样，直接用一张1920x1080的高清图，全图200多万像素去训练聚类。结果单张图跑了将近十秒，而且多次运行结果差异比较大。后来检查发现，全量像素里有大量非常相似的邻近点，聚类过程做了太多冗余计算。

降采样的本质是在不显著改变颜色分布的前提下，用更少的样本代表整体。我统一把图片长边缩放到256像素，这样最多也就6万多像素参与聚类，处理速度从秒级降到毫秒级。对结果的影响几乎看不出来，因为256像素边长已经足够保留图片中所有颜色层次。

还有个容易被忽略的好处：降采样会顺带抹平一部分细小噪点。像素级的噪点在聚类时会产生一些不具代表性的微小簇，降采样让这些噪点变成周围颜色的混合像素，反而让聚类结果更干净。

4.3 换到HSV空间处理颜色

RGB空间聚类的结果通常可用，但我后来发现它有一个明显短板：同一色调下，不同明度和饱和度的颜色会被分成很多类，导致提取出的“主色”里出现一大片深浅不一的同族颜色。

这时候换成HSV空间处理会有奇效。HSV把颜色拆成色调、饱和度、明度三个维度，色调就是人眼感知的“是不是同一个颜色”。如果聚类时只使用H通道的数据，就能把“红色”“蓝色”“绿色”这种大色系分开；加上S和V通道后，可以进一步区分饱和度和明度。

实际使用时不用完全抛弃RGB，可以这样处理：先把图片转到HSV空间，用聚类或者阈值过滤掉低饱和度和极暗的区域，再回到RGB空间做最终聚类。或者更简单一点，直接只在HSV空间做聚类，最后把聚类中心从HSV转回RGB用于展示。但是需要注意，HSV的H通道是环形结构，0度到360度之间的边界处颜色是连续的，欧氏距离在环状数据上会有跳变。一个常见处理方法是把H拆成正弦和余弦两个分量，但这个操作对于大多数取色需求来说不是必要的，除非你要处理的图库里大量存在红紫色边界。

4.4 主色比例归一化与输出设计

提取出主色之后，占比的计算前面已经写了。这里要提一个容易忽略的细节：直接在RGB像素上算出来的占比，是像素面积占比，并不完全等于视觉权重。

举个例子，一张大面积浅色背景但有少量鲜红文字的海报，用面积占比算出来红色可能只有2%，但鲜红文字对视觉的影响远超2%。如果你要做“视觉主色”而不是“面积主色”，可以考虑按饱和度或者对比度给像素加权，让高饱和的颜色在计算时权重更高。这个思路在电商场景里比较有用，因为消费者注意到的往往是亮点色，不是背景色。

输出设计上，除了终端打印RGB数值，我更建议直接生成十六进制颜色码和JSON结构，方便后续工作流直接调用。这个我放在后面批量处理部分一起演示。

5. 几个高频坑的记录：现象、定位和修复

5.1 BGR通道顺序：训练没有错，可视化全是错的

这个坑我几乎每写一次图像相关的Python脚本都会遇到一次，因为实在太好踩了。使用OpenCV读取图片时，如果不做任何处理，通道顺序是BGR，而不是人们直觉上的RGB。

用它直接跑聚类，算法本身不会报错，因为三维空间旋转了通道而已，聚类结构还是保留的。但当你把聚类中心打印出来或者用matplotlib显示色卡时，会发现颜色明显不对劲。比如图片里明明是蓝色天空，输出的主色却是偏红色的；图片里是绿色植物，输出主色却偏紫。

定位方法非常简单：把提取出的第一个主色直接作为一个色块显示在屏幕上，和原图对比，如果颜色整体错位，第一反应就检查通道顺序。修复也就在一行代码之间：

image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

这行代码我会写进每个图像处理脚本里，不管当前任务会不会立即用到颜色展示。

5.2 暗部像素吃掉聚类中心

用K-means提取主色时，我最常遇到的“看起来不对”的结果是：图片主色应该是明亮的天空蓝，输出的第一个主色却是深灰蓝，而且占比还很高。这就是暗部区域和噪点在捣乱。

一张照片通常存在大量暗部像素，比如阴影、深色背景、物体暗面。这些像素在数量上很多，在聚类时容易被划分成一个大簇，但这个大簇对应的颜色并不是我们心理认知上的“主色”。

我的修复方案是在聚类前做一次像素筛选，过滤掉过暗和过饱和度过低的点。这样提取主色时只保留有色彩价值的像素。

def filter_valid_pixels(image_rgb): hsv = cv2.cvtColor(image_rgb, cv2.COLOR_RGB2HSV) h, s, v = cv2.split(hsv) # 过滤掉过暗的像素和饱和度极低的像素 valid_mask = (v > 40) & (s > 30) valid_image = image_rgb[valid_mask] return valid_image

过滤之后再聚类，得到的颜色会更干净。不过做这个操作时要注意，如果图片本身底色就是深色系，强行过滤暗部会丢失真实的主色，所以阈值需要根据图像特点来调。

5.3 聚类中心顺序漂移的问题

K-means结果里簇的顺序每次都可能不同，即使数据完全一样，初始中心不同结果顺序也不同。如果你直接输出cluster_centers_的第一个元素，然后说这是主色，早晚会被坑。

这个问题在单张图上可能不那么明显，一旦做成批量处理，每张图片的顺序都不一样，输出结果就完全没法用。

解决办法就是在提取结果时立刻按照占比排序。这也说明一个流程规范：训练完聚类后，第一时间计算标签占比并排序，而不是等展示时再处理。排序过的结果不仅仅展示更直观，后续做颜色匹配、去重、合并时也更可控。

5.4 性能卡顿与内存问题

如果不做降采样，直接拿3000万像素的大图去训练K-means，等待时间会非常离谱，而且内存占用也偏高。sklearn的KMeans实现是全量计算，不是流式处理，样本量大的时候这个瓶颈会非常明显。

减负方案就是我前面提的降采样。把长边缩到256像素，样本量从几千万降到几万，速度提升百倍不止，内存占用也控制在几十兆以内。如果处理超大图片还想更省，可以考虑用随机采样替代全量像素：从原图随机抽1万个像素点参与聚类，效果也十分接近，但代码里我统一用缩放更直观一些。

另外还有个容易忽略的点：聚类前把像素矩阵转成float32会占用更小内存。uint8转float32之后数值范围还是0到255，聚类结果不影响，但计算速度会快一些，因为不少底层优化依赖浮点类型。

6. 主色提取在真实工作流中的用法与更多扩展

6.1 落地场景举例

主色提取这个能力，单独拿出来可能觉得也就是“好玩的取色小工具”，但放到真实工作流里用处很广。

我在实际项目里主要用到了几个场景：第一个是批量给公众号封面图提取主题色，然后自动生成配色方案，用来统一排版风格；第二个是商品详情页分析，抓取竞品图片里的主要配色，辅助做视觉投放素材时的配色参考；第三个是相册自动化整理，按提取出的主色给图片打上色调标签，在手机端或者本地点开标签就能筛出同色调的图片。

这些场景有一个共同点：它们需要的不是单张图的精确结果，而是批量的、可比较的颜色描述。单张图手动取色可以做到很精确，但批量几百张时只有自动化方案可行。

6.2 批量处理和输出设计

批量处理的核心是用一个循环遍历文件夹，把每张图的提取结果保存下来。我习惯输出成JSON，因为格式通用，不管后续是接自动配色、生成报告，还是前端展示，都很方便。

import os import json def batch_extract(image_dir, k=5, output_path="palette_results.json"): results = {} for filename in os.listdir(image_dir): if not filename.lower().endswith((".jpg", ".jpeg", ".png", ".webp")): continue image_path = os.path.join(image_dir, filename) image_rgb = load_image_resized(image_path, max_side=160) # 如果图片里可用像素太少，就跳过 valid_pixels = filter_valid_pixels(image_rgb) if valid_pixels.shape[0] < 50: continue colors, proportions = extract_main_colors(valid_pixels, k=k) results[filename] = { "colors": [f"#{r:02x}{g:02x}{b:02x}" for r, g, b in colors.tolist()], "proportions": proportions.tolist(), } with open(output_path, "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) batch_extract("images")

这段代码里有两个值得注意的细节：一是批量处理时把降采样边长进一步降到160，因为每张图只需要大致颜色分布，不需要非常精细；二是对可用像素做了数量下限判断，防止遇到纯白纯黑这种极端图片导致聚类结果不稳定。

每张图的输出格式都包含十六进制颜色码和占比，后续接别的程序非常顺手。

6.3 可以扩展的方向

主色提取只是一个起点，顺着这个思路可以扩展出不少实用的能力。

第一个扩展方向是按主色生成风格化的调色板。比如拿到主色后，用色彩调和规则生成邻近色、互补色、对比色，一键生成和原图风格一致的配色方案，这个对做PPT和海报脚本来说很有用。

第二个扩展方向是结合图像区域分析。K-means只做了全局聚类，但如果先对图片做目标检测或者简单的颜色分区，再在每个区域里单独提取主色，就可以得到“什么地方是什么颜色”的空间化描述。比如自动分析一张穿搭图的服装区域主色，这比全局主色更有语义价值。

第三个方向是颜色摘要描述。提取出的主色可以继续生成“以暖橙色为主、米白为辅”这类可读文本，用于内容标签体系，做图片归档和检索时相当方便。

我自己实际用下来的体会是，K-means聚类提取主色这套方案，虽然看起来简单，但它真正解决了“批量处理图片配色描述”的问题。在本地写一个脚本，配合少量调参和过滤逻辑，基本可以应对绝大多数取色场景。如果你的图片库风格比较固定，建议先把K值固定下来测试几轮，再根据结果决定要不要引入HSV混合处理或者暗部过滤，这些调整成本都不高，但带来的效果差异相当明显。