IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 2021华中杯数据建模代码及讲解(Python) -> 正文阅读

[Python知识库]2021华中杯数据建模代码及讲解(Python)

前言

因为这是我第一次参加建模比赛,当时手忙脚乱做的并不好,所以重新花了一天的时间做了一遍,如有错误欢迎指正。


第一问

第一问讲解

首先读取数据,使用了pandas库,pd.read_table()读取txt文件。

import pandas as pd
import numpy as np
f1 = open("F:/train/建模比赛/华中杯2021/附件2:图像1颜色列表.txt",encoding="utf-8")
data1 = pd.read_table(f1)
f2 = open("F:/train/建模比赛/华中杯2021/附件3:图像2颜色列表.txt",encoding="utf-8")
data2 = pd.read_table(f2)
f1.close()
f2.close()

第二步就来提取f1,f2里的RGB的值。很简单的分割字符串,用split()。写成函数方便后面使用。

#提取RGB的值
def Rgb_list(x):
    RGB1_list = []
    for i in x:
        for j in x[i]:
            RGB1_list.append(j)
    RGB1_list1 = []
    for i in RGB1_list:
        p = i.split(",(")[1]
        p = p.split(")")[0]
        RGB1_list1.append([int(i) for i in p.split(",")])
    return RGB1_list1

现在已经有了f1,f2里的RGB数据,简单的计算他们的色差,姑且叫做色差吧,因为是瓷砖,使用起来必然是要给人,即肉眼看的,所以简单的算出他们的在空间直角坐标系下的欧氏距离是不行的。

Lab简介:Lab模式既不依赖光线,也不依赖于颜料,它是CIE组织确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式。Lab模式弥补了RGB和CMYK两种色彩模式的不足。同RGB颜色空间相比,Lab是一种不常用的色彩空间。它是在1931年国际照明委员会(CIE)制定的颜色度量国际标准的基础上建立起来的。1976年,经修改后被正式命名为CIELab。它是一种设备无关的颜色系统,也是一种基于生理特征的颜色系统。这也就意味着,它是用数字化的方法来描述人的视觉感应。Lab颜色空间中的L分量用于表示像素的亮度,取值范围是[0,100],表示从纯黑到纯白;a表示从红色到绿色的范围,取值范围是[127,-128];b表示从黄色到蓝色的范围,取值范围是[127,-128]。如图所示为Lab颜色空间的图示
在这里插入图片描述来源:百度百科
RGB不能直接转变为Lab,这里不细说需要的去看看这篇文章
但是Python有库可以实现直接转换,如果不是图片要转换的话建议用colormath。有需要的可以去看看。
好,接下来就是要写RGB转换成Lab的函数了。

from colormath.color_conversions import convert_color#这个是转换的
from colormath.color_objects import LabColor,sRGBColor
from colormath.color_diff import delta_e_cie1976#这个是计算“色差”的
#RGB转换Lab
def RGB_Lab(x):
    p = []
    for i in x:
        r = sRGBColor(float(i[0]),float(i[1]),float(i[2]),is_upscaled=True)
        s = convert_color(r,LabColor)
        p.append(s)
    return p

然后是计算“色差”的,算出每个要编号的RGB值到现有的22种瓷砖“色差”,“色差”最小的就是属于那一类的。

#计算颜色色差并返回最小索引值+1,这里返回的值就是它们的瓷砖编号了
def Color_difference(c2):
    color_index = []
    for i in c2:
        delt = [delta_e_cie1976(i,j) for j in LabColor_initial]
        color_index.append(np.argmin(delt)+1)
    return color_index

这时候已经有了编号了,按照题目的要求写入到给定的两个txt文件里。

第一问代码

import pandas as pd
import numpy as np
#图像一添加到result1.txt
f1 = open("F:/train/建模比赛/华中杯2021/附件2:图像1颜色列表.txt",encoding="utf-8")
data1 = pd.read_table(f1)
#图像二添加到result2.txt
f2 = open("F:/train/建模比赛/华中杯2021/附件3:图像2颜色列表.txt",encoding="utf-8")
data2 = pd.read_table(f2)
f1.close()
f2.close()
#提取RGB的值
def Rgb_list(x):
    RGB1_list = []
    for i in x:
        for j in x[i]:
            RGB1_list.append(j)
    RGB1_list1 = []
    for i in RGB1_list:
        p = i.split(",(")[1]
        p = p.split(")")[0]
        RGB1_list1.append([int(i) for i in p.split(",")])
    return RGB1_list1
from colormath.color_conversions import convert_color
from colormath.color_objects import LabColor,XYZColor,sRGBColor
from colormath.color_diff import delta_e_cie1976
#RGB转换Lab
def RGB_Lab(x):
    p = []
    for i in x:
        r = sRGBColor(float(i[0]),float(i[1]),float(i[2]),is_upscaled=True)
        s = convert_color(r,LabColor)
        p.append(s)
    return p
#现有颜色瓷砖RGB
color_list=[[0,0,0],[255,255,255],[255,0,0],[246,232,9],[72,176,64],[27,115,186],
   [53,118,84],[244,181,208],[255,145,0],[177,125,85],[92,59,144],
   [11,222,222],[228,0,130],[255,218,32],[118,238,0],[17,168,226],
   [255,110,0],[201,202,202],[255,249,177],[179,226,242],[249,225,214],
   [186,149,195]]
LabColor_initial = RGB_Lab(color_list)#现有瓷砖颜色LAb
LabColor1 = RGB_Lab(Rgb_list(data1))#图像一颜色Lab
LabColor2 = RGB_Lab(Rgb_list(data2))#图像二颜色Lab
#计算颜色色差并分类
def Color_difference(c2):
    color_index = []
    for i in c2:
        delt = [delta_e_cie1976(i,j) for j in LabColor_initial]
        color_index.append(np.argmin(delt)+1)
    return color_index
#图像一的颜色编号
color_category1 = Color_difference(LabColor1)
#图像二的颜色编号
color_category2 = Color_difference(LabColor2)
r1 = open("F:/train/建模比赛/华中杯2021/result1.txt",encoding="utf-8")
r1 = pd.read_csv(r1)
r2 = open("F:/train/建模比赛/华中杯2021/result2.txt",encoding="utf-8")
r2 = pd.read_csv(r2)
r1["瓷砖颜色编号"] = color_category1
r2["瓷砖颜色编号"] = color_category2
r1.to_csv("F:/train/建模比赛/华中杯2021/result1.txt",index=False)
r2.to_csv("F:/train/建模比赛/华中杯2021/result2.txt",index=False)

第二问

第二问讲解

对于题目提到的表现力,颜色越近似就说明表现力越好。既然要新加颜色,就可视化出来看看。可视化出来的数据远比数据本身更容易看出来一些东西。
既然是RGB就画成3D的看一看。

R1 = [i[0] for i in Rgb_list(data1)]
G1 = [i[1] for i in Rgb_list(data1)]
B1 = [i[2] for i in Rgb_list(data1)]
#RGB归一化
def RGB_1(x):
    q = []
    for i in x:
        r = [i[0]/255,i[1]/255,i[2]/255]
        q.append(r)
    return q
t1 = RGB_1(Rgb_list(data1))

import matplotlib.pyplot as plt #绘图用的模块  
from mpl_toolkits.mplot3d import Axes3D #绘制3D坐标的函数  
fig = plt.figure(figsize=(10,6))
ax1 = Axes3D(fig)
ax1.scatter(R1,G1,B1,s=300,c=t1,alpha=0.5,marker='o')

fig1 = plt.figure(figsize=(10,6))
ax2 = Axes3D(fig1)
ax2.scatter([i[0] for i in Rgb_list(data2)],[i[1] for i in Rgb_list(data2)],[i[2] for i in Rgb_list(data2)],
            c = RGB_1(Rgb_list(data2)),s=300,alpha=0.5,marker='o'
           )
           
fig2 = plt.figure(figsize=(10,6))
ax3 = Axes3D(fig2)
ax3.scatter([i[0] for i in color_list],[i[1] for i in color_list],[i[2] for i in color_list],
            c = RGB_1(color_list),s=300,alpha=0.5,marker='o'
           )

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
因为是要在(255255255-22)个RGB值里找出新颜色,所以train应该是255255255个RGB的值,但是我算不动,电脑卡死了,毕竟太大了,从第一个散点图可以看出来,他们是均匀分布的,所以就拿这216个点聚类了。把他们转置,从shape(216,3) 变成(3,216)在这里插入图片描述
用FCM(模糊C-均值算法),详情看这里
写出当你输入要增加几种新颜色时候的函数。

def Fcm_RGB(x):
    print("增加"+str(x)+"个的新颜色是")
    c1 = x
    k = 22
    center, u, u0, d, jm, p, fpc = cmeans(train, m=2, c=k+c1, error=0.0005, maxiter=10000)
    color_list1 = center.tolist()
    color_list1_int = []
    for n in color_list1:
        color_list2_int = [int(f) for f in n]
        color_list1_int.append(color_list2_int)
    Rgb_lab = RGB_Lab(color_list1)
    color_delt = []
    for i in Rgb_lab:
        delt1 = np.array([delta_e_cie1976(i,j) for j in LabColor_initial]).sum()
        color_delt.append(delt1)
    center_list = []
    for m in range(1,x+1):        
        max_index_x = np.argsort(color_delt)[int(m)]
        center_list.append(color_list1_int[max_index_x])
    return center_list

center是簇中心点,c是簇的个数,其它的不过多介绍,详情看这里

第二问代码

import numpy as np
import matplotlib.pyplot as plt
from skfuzzy.cluster import cmeans
train = np.array(Rgb_list(data1))
train = train.T
def Fcm_RGB(x):
    print("增加"+str(x)+"个的新颜色是")
    c1 = x
    k = 22
    center, u, u0, d, jm, p, fpc = cmeans(train, m=2, c=k+c1, error=0.0005, maxiter=10000)
    color_list1 = center.tolist()
    color_list1_int = []
    for n in color_list1:
        color_list2_int = [int(f) for f in n]
        color_list1_int.append(color_list2_int)
    Rgb_lab = RGB_Lab(color_list1)
    color_delt = []
    for i in Rgb_lab:
        delt1 = np.array([delta_e_cie1976(i,j) for j in LabColor_initial]).sum()
        color_delt.append(delt1)
    center_list = []
    for m in range(1,x+1):        
        max_index_x = np.argsort(color_delt)[int(m)]
        center_list.append(color_list1_int[max_index_x])
    return center_list
for i in range(1,10.1):
	Fcm_RGB(i)

第三问

第三问讲解

和第二问的差不多,只不过是加了一个对表现力的评价分数。对颜色来说,新增的颜色越多,表现力越强,只是既然是在技术革新,一共有22个颜色,那就取个整,最多新增20个颜色,计算看看结果

第三问代码

def Fcm_RGB_result(x):
    result = []
    for i in range(1,x+1):
        p = Fcm_RGB(i)
        p1 = RGB_Lab(p)
        result1 = []
        for k in p1:
            delt11 = (np.array([delta_e_cie1976(k,j) for j in LabColor_initial]).sum())/(i+22)
            result1.append(delt11)
        result.append(np.array(result1).sum()/len(result1))
        print("平均色差",str(np.array(result1).sum()/len(result1)))
    return np.argmin(result)+1
Fcm_RGB_result(20)

在这里插入图片描述
可以看出新增20个颜色时最好,所以再调用第二问的函数计算出新增20个颜色的RGB值。

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-07-13 17:25:22  更:2021-07-13 17:25:39 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年12日历 -2024/12/25 15:08:31-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码
数据统计