Python 获得像素和颜色

Python 获得像素和颜色，如何获得包含所有像素和颜色的结构体？方法并不复杂，不过稍后你将看到，这种方法并不是最优解。

将像素映射到颜色的一种方法是使用product()函数穷举所有像素和颜色。

xy = lambda xyp_c: xyp_c[0][0]
p = lambda xyp_c: xyp_c[0][1]
c = lambda xyp_c: xyp_c[1]

distances = (
    (xy(item), p(item), c(item), euclidean(p(item), c(item)))
    for item in product(pixel_iter(img), colors)
)

核心部分是使用product(pixel_iter(img), colors)生成像素和颜色的所有组合，然后重构得到的数据使之扁平化，并使用euclidean()函数算出像素颜色和Color对象颜色之间的距离。返回结果是一个四元组序列，元组元素分别为：x-y坐标、源像素点、给定颜色，以及像素颜色到给定颜色间的距离。

最后使用groupby()函数和min(choices, ...)表达式得到颜色结果，如下所示：

for _, choices in groupby(
        distances, key=lambda xy_p_c_d: xy_p_c_d[0]):
    yield min(choices, key=lambda xypcd: xypcd[3])

像素和颜色做乘积运算得到一个很长的一维可迭代对象，按照其中的坐标值进行分组，将其分解为一组相对较短的可迭代对象，每个对应一个像素，然后选出距离最短的颜色。

在一幅包含133种Crayola色彩的、尺寸为3648×2736的图像中，上面的算法需要迭代计算1 327 463 424次。是的，distances表达式生成了数十亿计的组合，这个规模还不至于无法计算，Python尚能处理，但足以体现简单直接地使用produce()函数会出现问题。

进行大规模数据处理时，必须估算规模。运行100万次距离计算后，用timeit()函数测出的运行时间如下：

• 欧氏距离：2.8
• 曼哈顿距离：1.8

扩大1000倍，从运行100万次到运行10亿次，曼哈顿距离计算需要1800秒，即半小时，欧氏距离计算则需要46分钟。对于大型数据集，这种计算方法效率太低了。

更重要的是，这种做法是错误的。这种“宽度×高度×颜色”的直接处理是糟糕的算法设计，很多情况下有更好的方案。