KMeans色彩聚类完整指南

如果你手里有一张海报、一组产品图，或者一个完整的图片素材库，想知道“这些图片的主色到底是什么”、“每种颜色占多少”、“不同图片之间有没有稳定的色彩结构”，那么基于 KMeans 的色彩聚类通常是一个非常直接、也非常高效的起点。

MCDM Online 的 KMeans色彩聚类分析 工具，既可以处理单张图片，也可以处理整个文件夹的多张图片。前者适合快速提取主色和占比，后者除了逐图分析之外，还能继续做二次聚类，得到图库级别的主色分布和色彩网络关系。

为什么要做色彩聚类

图片里的颜色往往非常多，肉眼看到的是“整体观感”，但在分析、设计和整理素材时，我们更需要一组可量化的结果。

KMeans 色彩聚类做的事情，本质上是把大量像素压缩成若干个代表性色彩，让原本难以描述的颜色结构变得可统计、可比较、可复用。

常见用途包括：

提取单张图片的主色调，用于配色、品牌视觉整理和界面设计
分析一组图片的整体色彩风格，判断图库是否统一
对艺术作品、海报、产品图做风格研究，比较不同样本之间的色彩差异
从参考图中提炼配色卡，直接拿去做设计延展
在图片数据清洗前，先快速了解样本的颜色结构

如果你处理的是“单张图”，你会更关心主色、比例和色卡。

如果你处理的是“一个文件夹”，你通常还会关心两件事：

这批图片整体最常出现的颜色是什么
哪些颜色经常在同一张图片里一起出现

这就是二次聚类和色彩网络图发挥价值的地方。

这套工具能做什么

这套功能不是单纯输出几个颜色值，而是把单图分析和图库分析拆成了两个层级。

单张图片分析

上传一张 jpg、jpeg 或 png 图片后，工具会对图片像素进行聚类，并输出：

主色及其占比
RGB、HSV、Lab、HEX 等多种色彩表示
提取结果图、柱状图、饼图、色卡和色卡详情图

这类结果适合用于“快速提炼”和“直接引用”，比如写设计说明、生成配色方案，或者做图片风格摘要。

文件夹批量分析

如果上传的是一个包含多张图片的文件夹，工具会先对每张图片分别做一次色彩聚类，然后再把每张图提取出的主色放到更高一级做二次聚类。

相比单图模式，批量模式多了几个很有价值的能力：

统计整批图片的主色结构
生成拼接总图，快速观察图库整体色调
生成色彩网络图，查看颜色的共现关系
在 Excel 中按图片名分别保存主色数据，便于继续做汇总分析

如果你做的是品牌样张分析、电商商品图整理、展览作品整理、社媒视觉复盘，这部分输出会非常有用。

二次聚类流程示意

为了方便理解文件夹批量分析中的核心逻辑，下图展示了二次聚类的串行流程：先提取每张图片的主色，再拼接形成总览图，随后对这张拼接总图再次执行 KMeans，并基于主色共现关系绘制网络图。

flowchart TD
    A[选择图片文件夹] --> B[逐张读取图片]
    B --> C[使用 KMeans 提取每张图片的主色]
    C --> D[按主色占比生成每张图片的色条]
    D --> E[拼接所有图片主色形成新的总览图片]
    E --> F[对拼接总图再次执行 KMeans 聚类]
    F --> G[得到图库级主色类别与整体占比]
    G --> H[输出二次聚类结果]
    C --> I[统计主色在同一张图片中的共现频次]
    I --> J[按共现关系绘制色彩网络关系图]
    E --> K[输出拼接总图]
    J --> L[输出色彩网络图]

实际操作流程

从使用角度看，整个流程可以概括为三步：选图、设参、看结果。

第一步：选择单张图片或整个文件夹

如果只是分析一张图，直接点击“打开图片”即可。这种模式上手最快，适合先试参数、先看效果。

如果要分析一批图片，需要点击“打开文件夹”。只有在文件夹模式下，后续才可以开启二次聚类，因为二次聚类依赖多张图片之间的主色集合。

一个简单判断标准是：

想知道“这张图的主色是什么”，选单图
想知道“这批图整体偏什么颜色”，选文件夹

第二步：配置参数

参数不算多，但不同设置会明显影响结果的“稳定性”和“解释方式”。

1. 色彩空间

工具支持 Lab、HSV 和 RGB 三种色彩空间。

可以这样理解：

RGB：最直观，适合一般场景，方便和设计、开发直接对接
HSV：更接近人对色调、饱和度、明度的理解，适合做色系区分
Lab：更强调感知均匀性，适合希望聚类结果更贴近视觉差异的情况

如果你只是第一次使用，建议先从 Lab 或 RGB 开始。

如果你的重点是比较不同色相之间的差异，比如分析冷暖色、品牌主色系或作品色调风格，可以尝试 HSV。

2. 透明背景处理

如果图片带透明背景，这一步非常关键。否则透明区域可能被默认颜色干扰，影响主色识别。

当前版本提供三种处理方式：

忽略透明像素：更适合透明背景素材、图标、PNG 贴图
转换为白色：适合最终会放在白底页面、文档或商品图背景上的素材
转换为黑色：适合最终会放在深色背景上的素材

如果你分析的是抠图素材，通常优先考虑“忽略透明像素”。

透明 Alpha 阈值用于判断像素是否足够透明。阈值越高，被当作透明像素排除或转换的范围越大；阈值越低，只有更接近完全透明的像素才会被处理。对于常规 PNG 素材，默认值通常够用；如果边缘半透明像素较多，可以根据结果适当调整。

3. 滤波方法与窗口大小

工具支持不滤波、均值滤波和中值滤波。

不滤波：适合原图本身比较干净、你又不希望损失细节的情况
均值滤波：适合整体噪点较多的图片，但会让边缘更平滑
中值滤波：对离散噪声更稳，也更适合保留边界

只有选择均值滤波或中值滤波时，窗口大小才会参与计算；如果选择“不滤波”，窗口大小会被禁用。窗口越大，去噪越强，但细节损失也越明显。

一般可以按这个经验来选：

图片情况	推荐设置
图片本身干净、颜色块明显	不滤波
有轻微噪点、压缩痕迹	3x3 中值滤波
噪点较多、颜色分散	3x3 或 5x5 均值/中值滤波

如果你发现聚类结果里出现很多“零碎小色块”，适当滤波往往会更好。

4. 聚类数怎么定

这是最核心的一个参数。

当前版本直接输入聚类数量，也就是希望把单张图片压缩成多少个代表色。聚类数越少，结果越概括；聚类数越多，能保留更多颜色细节，但也更容易把阴影、噪点或渐变拆成多个相近颜色。

如果是论文、报告或批量项目，为了让不同样本可比，建议固定一个聚类数。截图中的默认值为 9，适合多数配色分析场景；如果只是提炼主色，可以适当降低；如果素材颜色复杂，可以适当提高。

一个常用经验范围是：

分析目标	建议聚类数
只提炼主色调	3-5
做常规配色分析	5-8
想保留更多细节	8-12

5. 二次聚类参数

二次聚类现在通过“启用二次聚类（仅批量）”开关控制。只有分析文件夹时，这个开关才有实际意义；单张图片没有跨图片的主色集合，不需要做二次聚类。

开启二次聚类后，需要关注两个参数：

二次聚类数
共现阈值（%）

二次聚类数决定的是“整批图片的主色最终再归并成几类”。

共现阈值影响的是色彩网络图里哪些连线会被保留。阈值越高，图会越简洁，只保留高频共现关系；阈值越低，图会更丰富，但也更容易显得杂乱。当前界面以百分比形式填写，例如 20 表示按 20% 的阈值过滤颜色共现关系。

如果你第一次做图库分析，建议先用偏保守的阈值，先看主结构，再逐步放开。

6. 绘图字体与字体大小

绘图字体和字体大小会影响柱状图、饼图、色卡详情图和网络图中的文字显示。

如果结果图里有中文，建议选择系统里稳定可用的中文字体，例如截图中的“微软雅黑”。字体大小不影响聚类计算结果，只影响导出图片的可读性。用于论文、汇报或公众号配图时，可以适当调大；如果色卡数量较多，则需要避免字号过大导致文字拥挤。

结果文件里有什么

点击“开始计算”后，系统会让你选择结果保存目录。处理结束后，通常会得到两类内容：

一个 Excel 文件
一个图片结果文件夹

Excel 文件：适合做统计和复用

Excel 里会记录每张图片以及二次聚类结果对应的主色信息，通常包含：

RGB
HSV
Lab
HEX
色彩占比

每个工作表通常对应一张图片，表名就是图片名。这样后续无论你是继续做汇总、写报告，还是要把颜色交给设计师或开发，都会非常方便。

单张图片结果：适合直接看效果

单图模式下，结果文件夹一般会输出 6 张图，核心包括：

原图
提取结果
色彩占比柱状图
色彩占比饼图
色卡
色卡详情图

其中最值得关注的是这几项：

提取结果：直观看到主色如何覆盖整张图
柱状图和饼图：快速判断主色排序和占比
色卡详情：直接拿到 HEX、RGB、HSV、Lab 等信息

二次聚类结果：适合看整体风格

文件夹模式下，除了每张图的独立结果，还会得到二次聚类结果文件夹，通常会多出：

拼接总图
色彩网络图

拼接总图把每张图片的主色按比例压缩成统一尺寸的横条，再拼接到一起。这个结果非常适合快速观察整个图库的色调是否统一、是否存在明显分组。

色彩网络图则更进一步，不只告诉你“有哪些颜色”，还告诉你“哪些颜色经常一起出现”。

在阅读色彩网络图时，可以重点看两件事：

节点大小：通常表示该主色整体占比更高
连线粗细：通常表示两种主色在同一张图片中共现得更频繁

如果你在做视觉风格研究，这张图的解释价值往往比单纯的色卡更高。

怎么理解这些结果

很多人第一次做色彩聚类时，会把输出当成“绝对正确的主色答案”。其实更合理的理解是：

它提供的是一个稳定、可复现、便于比较的颜色概括。

也就是说，色彩聚类更适合拿来做：

样本之间的对比
视觉风格的归纳
设计素材的整理
结果汇报时的量化说明

而不是去追求“和人眼感觉 100% 完全一致”。

因为结果会受到这些因素影响：

图片分辨率和压缩质量
背景面积是否过大
是否存在透明区域
是否做了滤波
聚类数设得过少或过多
选择了哪一种色彩空间

如果你觉得结果“看起来不太对”，通常不要立刻怀疑算法，先回头检查参数和图片本身。

适合哪些人使用

这类工具尤其适合下面几类用户：

设计师：从参考图快速提炼配色方案
品牌与运营团队：分析品牌视觉和传播素材的色彩一致性
科研与论文用户：做图像风格、视觉传播、作品比较类研究
电商与内容团队：整理商品图、海报图、社媒图的整体风格
数据分析人员：把图像颜色特征先转成可统计的数据结果

如果你的工作里经常要回答“这批图到底偏什么色”“主色是否稳定”“是否能形成一套配色语言”，那么这套工具会比人工观察高效很多。

结语

KMeans 色彩聚类的价值，不只是把图片里的颜色“算出来”，更重要的是把原本感性的视觉印象，转成一组可解释、可比较、可复用的结构化结果。

单张图片模式解决的是“提炼主色”的问题，文件夹加二次聚类解决的是“理解整批图片风格结构”的问题。两者结合起来，既能服务设计落地，也能服务研究分析。

如果你之前只把色彩聚类理解为“导出几个颜色值”，那不妨试试从“单图主色提取 + 图库级风格分析”的角度重新看它。很多时候，真正有价值的不是某一个颜色本身，而是颜色之间的比例、组合和共现关系。