Python爬蟲+ K-means 聚類分析電影海報主色調
來自： http://datartisan.com/article/detail/89.html
每部電影都有自己的海報，即便是在如今這互聯網時代，電影海報仍是一個強大的廣告形式。每部電影都會根據自身的主題風格設計海報，精致的電影海報可以吸引人們的注意力。那么問題來了，不同風格的電影海報對顏色有什么樣的偏好呢？
利用 Python 爬取海報數據
為了回答這個問題，我們需要分析不同風格電影的海報情況。首先，我們需要構建一個電影海報數據的數據集，因此我利用 Bing 圖像搜索引擎來獲取海報數據。
接下來我利用 Python 從網頁中抓取電影海報數據并將其儲存到本地電腦中，最終我得到四種電影類型(驚悚片、喜劇、動畫片和動作片)的112張海報數據。
from bs4 import BeautifulSoupimport requestsimport reimport urllib2import osimport numpy as npdef get_soup(url):
return BeautifulSoup(requests.get(url).text)
image_type = "action movies"
query = "movie 2014 action movies poster"
url = "http://global.bing.com/images/search?q=" + query + "&qft=+filterui:imagesize-large&FORM=R5IR5"
soup = get_soup(url)
images = [a['src'] for a in soup.find_all("img", {"src": re.compile("mm.bing.net")})]for img in images:
raw_img = urllib2.urlopen(img).read()
cntr = len([i for i in os.listdir("images") if image_type in i]) + 1
f = open("images/" + image_type + "_" + str(cntr), "wb")
f.write(raw_img)
f.close()
其中部分海報數據如下圖所示：
</div>
圖像格式轉換
為了提取海報的顏色信息，我們需要將圖像轉換為 RGB 像素矩陣。比如，對于 200*200 像素的圖片，我們需要將其轉換成含有 40000 個像素信息的對象。同時為了保持數據集的大小，我將圖像的大小統一設定為 200*200。
def get_points(img):
points = []
w, h = img.size
for count, color in img.getcolors(w * h):
points.append(Point(color, 3, count))
return points
rtoh = lambda rgb: '#%s' % ''.join(('%02x' % p for p in rgb))
提取顏色信息
接下來我利用 K 均值算法和顏色信息將海報分成許多不同的類別。我嘗試了 k=3 , k=5 和 k=10 三種模型，但由于大多數海報通常都具有黑色的字體和邊框，所以前兩種模型無法獲取海報中的主要顏色信息。最終我選擇 k=10 的模型，并利用該算法處理 112 張海報，得到了 1120 種顏色信息。
部分結果如下圖所示：
從下圖中我們可以看出，K 均值算法存在一些不足之處：該算法對初始值非常敏感，這會產生一些不想要的結果。在這張海報中，該算法無法獲取金色或橘黃色的信息。
3D 散點圖
對每一類型的電影，我根據海報的 RGB 數據繪制三維散點圖，其中每個點代表海報的一個顏色。通過比較四張散點圖我們可以發現大多數驚悚片的海報中都有暗黑色和紅色，而喜劇和動畫片則會根據不同的電影主題選擇不同的配色。
喜劇 VS. 動畫片
動作片 VS. 驚悚片
轉換顏色信息
由于我們很難從 1120 種顏色中提取一些特定的模式，因此我們需要降低顏色的維度。我們可以將顏色信息轉換到 Lab 色彩空間中，然后利用 Python 中的 Delta E equations 和 colormath 包來計算海報中的顏色和基礎顏色之間的視覺差異程度。
我通過最小距離法將這些顏色分成 17 類。下表是喜劇電影海報數據的部分數據：
電影類型對比
轉換數據后，我計算出每個電影類型中所包含的基本色數量。
從上圖中我們可以發現黑色、灰色和白色是電影海報中最常見的三種顏色。這是因為基本色的數量太少了，而大多數電影海報都有黑色的標題和邊框。
原文作者：Amy
譯者：Fibears