点击 机器学习算
法与Python学习 ，
选择加星标
精彩内容不迷路
新的一年，新气象。
不少人都会选择换一个微信头像，迎接新的一年。
这期小F就来教大家，如何使用Python生成emoji风格的头像。
效果大致如下图，由很多的emoji图片方块组成一张新的头像图片
细节图～
主要是通过matplotlib、pillow和numpy这三个库来实现的。
import matplotlib.pyplot as plt
from scipy import spatial
from PIL import Image
import numpy as np
对于numpy和matplotlib(以及几乎所有的图像处理库)而言，图像基本上只是一个矩阵(例如A)，其中每个像素(p)都是A的元素。
如果是灰度图像，则每个像素(p)只是一个数字(或标量)。如果为浮点数，则为[0, 1]。如果为整数，则为[0, 255]。
如果不是灰度级(例如在这次的情况下)，则每个像素都是尺寸为3-红色(R)，绿色(G)和蓝色(B)或尺寸为4-RGBA的矢量(A代表Alpha，表示的是透明度)。
首先读取图像，并且将图像尺寸缩小。
# 读取图片，并且修改图片大小
G_sm = np.array(Image.open( fans.png ).resize([50, 50]).getdata()).reshape([50, 50, 3])/256
# 显示图片
plt.figure()
plt.imshow(G_sm)
plt.title( Original Image )
plt.show()
然后读取emoji图像数据，一共是有近1600个emoji图像数据。
# 读取emoji数据
emoji_array = np.load("emojis_16.npy")
# 获取emoji的平均颜色值
emoji_mean_array = np.array([ar.mean(axis=(0,1)) for ar in emoji_array])
# 将得到的每个emoji平均颜色值存储在树中以加快搜索速度
tree = spatial.KDTree(emoji_mean_array)
整个图像的平均颜色计算公式如下。
np.load，读取磁盘数组数据的函数，通常数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。
indices = []
# 平整数组，一维
flattened_img = G_sm.reshape(-1, G_sm.shape[-1])
print(flattened_img.shape)
# 匹配最相似的表情符号的像素
for pixel in flattened_img:
pixel_ = np.concatenate((pixel, [1]))
# 查询最近的索引
_, index = tree.query(pixel_)
indices.append(index)
将原图上每个像素点的颜色均值和emoji的颜色均值配对上。
# 从索引中获取对应的表情符号
emoji_matches = emoji_array[indices]
# 获取图片的高度
dim = G_sm.shape[0]
print(dim)
# 设置最终生成图像的大小，每个表情符号的形状都是(16,16,4)，R, G, B, alpha
resized_ar = emoji_matches.reshape((dim, dim, 16, 16,4))
设置生成图像的大小，每个emoji图片的大小设置成16*16。
# 转换单个表情符号补丁（5维）
# 使用numpy块生成完整的图像(三维)
final_img = np.block([[[x] for x in row] for row in resized_ar])
生成最终结果图像，并且保存。
# 设置画布
plt.figure()
# 去除坐标轴
plt.axis( off )
# 显示图片
plt.imshow(final_img)
# 保存emoji马赛克风格图像，去除白边
plt.savefig( image_emoji.png , bbox_inches="tight", pad_inches=0.0)
plt.show()
通过设置plt.savefig的参数，去除图像白边，保存图片。
下面就使用小F的微信头像为例，来实验一波～
生成的emoji图看起来不是很细腻，可以设置一下图片参数为100。
G_sm = np.array(Image.open( weixin.png ).resize([100
, 100]).getdata()).reshape([100, 100, 3])/256
得到结果如下。
看起来还不错，大家伙也可以使用自己喜欢的头像去生成～
