UD5工具箱
K-Means聚类算法
K-Means是一种经典的无监督机器学习算法，用于将数据集划分为K个互不相交的簇（cluster），使得同一簇内的数据点尽可能相似，不同簇间的数据点尽可能不同。在图片主色调提取中，每个像素的RGB颜色值被当作三维空间中的一个数据点，K-Means算法通过反复迭代计算，将颜色相近的像素归为同一簇，最终每个簇的中心点颜色就是提取出的一种主色调。算法的核心步骤包括：初始化K个中心点（使用K-Means++优化策略），计算每个像素到各中心的距离并分配归属，更新中心点为簇内所有像素的平均值，重复迭代直到收敛。
RGB色彩模型
RGB（Red, Green, Blue）是最基础的数字色彩模型，通过红、绿、蓝三种原色光的不同强度叠加来表示各种颜色。在计算机中，每个颜色通道通常用0-255的整数表示（8位深度），三种通道组合可表示约1677万种颜色。在K-Means聚类中，RGB值被直接用作数据点的三维坐标，算法在RGB色彩空间中计算像素之间的距离（通常使用欧氏距离），从而判断颜色之间的相似性。RGB模型简单直观且计算效率高，但也存在一定局限性，例如它在感知上不是均匀的，即相同的欧氏距离在不同颜色区域可能对应不同的视觉差异程度。
HSL色彩模型
HSL（Hue, Saturation, Lightness）是一种更符合人类颜色感知的色彩模型。H（色相）表示颜色的种类，用0-360度的角度表示；S（饱和度）表示颜色的鲜艳程度，用百分比表示；L（亮度）表示颜色的明暗程度，也用百分比表示。HSL模型的优势在于它将颜色的色相、饱和度和亮度分离到不同的维度，使得色彩调整更加直观。在本工具中，提取的主色调会同时提供HEX、RGB和HSL三种格式的色值，方便不同场景的使用。HSL值对于设计师来说特别直观，因为它直接反映了颜色的色相、鲜艳度和明暗程度。
HEX色值
HEX（十六进制）色值是一种用十六进制数表示RGB颜色的编码方式，格式为#RRGGBB，其中RR、GG、BB分别代表红、绿、蓝通道的十六进制值（00-FF）。例如，#FF6B35表示红色通道为255（FF）、绿色通道为107（6B）、蓝色通道为53（35）。HEX色值是前端开发中最常用的颜色表示方法，广泛应用于HTML、CSS和各类设计工具中。本工具提取的每种主色调都会提供对应的HEX色值，方便开发者直接用于项目代码中。HEX色值的优势在于简洁、标准化、兼容性好，是目前最通用的颜色编码格式之一。
聚类（Clustering）
聚类是数据挖掘和机器学习中的一种无监督学习方法，其目标是将数据集中的对象划分为若干个组（即簇），使得同一组内的对象之间具有较高的相似度，不同组之间的对象具有较低的相似度。在主色调提取中，聚类特指将图片中所有像素根据颜色相似性进行分组的过程。聚类算法不需要预先标注的训练数据，而是直接从数据本身的分布特征中学习结构，这使得它非常适合处理颜色分析这类没有标准答案的任务。K-Means是最常用的聚类算法之一，此外还有层次聚类、DBSCAN等算法，但K-Means因其高效性和易用性在图片主色调提取领域特别流行。
欧氏距离（Euclidean Distance）
欧氏距离是最常见的距离度量方式，用于计算多维空间中两点之间的直线距离。在RGB色彩空间中，两种颜色的差异程度就是用它们对应的三维坐标点之间的欧氏距离来衡量的。例如，颜色(R1, G1, B1)和(R2, G2, B2)之间的欧氏距离等于sqrt((R1-R2)^2 + (G1-G2)^2 + (B1-B2)^2)。距离越小，说明两种颜色越相似。K-Means算法在判断像素应该归属于哪个聚类中心时，就是使用欧氏距离作为相似性度量标准。欧氏距离计算简单高效，但在色彩感知上并非完全线性，这也是为什么有些高级应用会使用Lab色彩空间替代RGB进行聚类。
像素（Pixel）
像素是数字图像的基本组成单元，每个像素包含特定的颜色信息。在计算机图形学中，一张图片可以理解为由数百万个像素组成的二维矩阵，每个像素记录了该位置的颜色值。对于彩色图片，每个像素通常包含红、绿、蓝三个颜色通道的信息（以及可选的Alpha透明度通道）。本工具中，K-Means算法需要处理图片中的每一个像素，但由于原始图片可能包含数百万像素，计算量会非常大，因此工具会将图片自动缩放到200x200像素（总计40000像素），在保证分析精度的同时大幅降低计算复杂度。
Alpha通道（Alpha Channel）
Alpha通道是像素中用于存储透明度信息的额外通道，值范围通常为0（完全透明）到255（完全不透明）。在PNG和WebP等支持透明度的图片格式中，Alpha通道是颜色信息的重要组成部分。本工具的透明像素跳过功能就是通过检查每个像素的Alpha通道值来实现的，当Alpha值低于设定的阈值时，该像素会被排除在聚类分析之外，确保透明区域不会干扰主色调的提取结果。Alpha通道的正确处理对于图标、Logo、UI截图等含有透明背景的图片分析至关重要。
K-Means++初始化
K-Means++是一种优化的聚类中心初始化方法，旨在解决传统K-Means随机初始化可能导致结果不稳定的问题。K-Means++的核心思想是：在选择初始聚类中心时，使各个中心点之间的距离尽可能大，从而确保初始中心在色彩空间中分散分布。具体步骤是：首先从数据点中随机选择第一个聚类中心；然后计算每个数据点到已选最近中心的距离，按照距离平方成正比的概率选择下一个中心；重复此过程直到选择出K个初始中心。这种策略能够显著提高聚类结果的稳定性和质量，减少因随机初始化导致的结果差异，是本工具获得稳定分析结果的关键技术之一。
双线性插值（Bilinear Interpolation）
双线性插值是一种图像缩放算法，用于在改变图像尺寸时计算新像素的颜色值。与简单的最近邻插值不同，双线性插值会考虑目标像素周围4个原始像素的颜色值，通过线性加权平均计算新像素值，能够获得更平滑的缩放效果。本工具在将图片自动缩放至200x200的处理中使用双线性插值算法，在计算速度和图像质量之间取得平衡。缩放后的图片能够较好地保留原始图片的色彩分布特征，确保后续K-Means聚类分析的结果能够准确反映原始图片的色彩构成。