纯python编写K-means算法，提取图片中的主体颜色

def get_euclidean_distance(_pixel, _center):
    """
    获得欧氏距离
    :param _pixel: 像素
    :param _center: 中心
    :return: 欧氏距离
    """
    d_pow_2 = 0
    for _channel_index in range(n_channels):
        d_pow_2 += pow(_pixel[_channel_index] - _center[_channel_index], 2)
    return np.sqrt(d_pow_2)

def get_nearest_center(_pixel):
    """
    获得最近的中心
    :param _pixel: 像素
    :return: 最近的中心的index
    """
    min_center_d = get_euclidean_distance(_pixel, centers[0])
    min_center_index = 0
    for _center_index in range(1, k):
        d = get_euclidean_distance(_pixel, centers[_center_index])
        if d < min_center_d:
            min_center_d = d
            min_center_index = _center_index
    return min_center_index

def cal_new_center():
    """
如果有的中心没有最邻近的，那就说明选到了俩一样颜色的中心（虽然概率很小）那就重新选一个
    :return: 新的中心
    """

    # 归零
    center_counts = np.zeros(k, dtype=int)
    _centers = np.zeros((k, n_channels), dtype=int)

    # 对每个类逐通道求和
    for _pixel_index in range(n_pixels):
        center_counts[labels[_pixel_index]] += 1
        for _channel_index in range(n_channels):
            _centers[labels[_pixel_index]][_channel_index] += img[_pixel_index][_channel_index]

    # 对每个中心算出均值
    for _center_index in range(k):
        if center_counts[_center_index] > 0:
            for _channel_index in range(n_channels):
                _centers[_center_index][_channel_index] /= center_counts[_center_index]
        else:
            # 要是中心选重了就重新再选一个（虽然概率很小）
            _centers[_center_index] = img[random.randint(0, n_pixels - 1)]
            print('WARNING: Center %d has no pixel, re-choose center randomly...' % _center_index)

    return _centers