背景需求：

前文实现了7张色彩纸条加上黑色边框的需求。

【教学类-55-02】20240512图层顺序挑战（四格长条纸加黑色边框、4*4、7张 、43200张去掉非7色有23040张，哈希算法快速去重剩余1221张）-CSDN博客文章浏览阅读1k次，点赞23次，收藏17次。【教学类-55-02】20240512图层顺序挑战（四格长条纸加黑色边框、4*4、7张 、43200张去掉非7色有23040张，哈希算法快速去重剩余1221张）https://blog.csdn.net/reasonsummer/article/details/138755880

问题：已知4*4格中可以出现8张颜色纸条，但需要抽取7张纸条组成任意顺序图层。一共有几种排序方式：

一、素材位置

二、预测生成的图案总数

8的阶乘=8*7*6*5*4*3*2*1=40320张

8张抽取任意抽取7张的阶乘数也是40320张

代码展示

'''
图层重叠挑战（长矩形带黑框） (抽取7) 一共有40320个不重复
作者：AI对话大师，阿夏
时间：2024年5月12日
'''
from PIL import Image, ImageDraw
import os,random
import itertools

print('--------1、制作图片-----------')
path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条'

folder_path = path + r'\01图片总数8的阶乘'
os.makedirs(folder_path, exist_ok=True)



     

# colors = ['red', 'orange','Yellow', 'green', 'blue', 'brown', 'gray','Pink',]
colors = [(255, 0, 0), (255, 165, 0), (255, 255, 0), (0, 128, 0), (0, 255, 255), (0, 0, 255), (128, 0, 128), (255, 192, 203)]
# ["大红", "橙色", "黄色", "绿色", "青色", "蓝色", "紫色", "粉红"]


from PIL import Image, ImageDraw
import os

# folder_path=r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\jpg4万'
# 创建画布
canvas_width = 800
canvas_height = 800
canvas_color = (255, 255, 255)  # 白色背景
line_color = (0, 0, 0)  # 黑色线条
line_width = 3
margin = 100  # 边距

canvas = Image.new('RGB', (canvas_width, canvas_height), canvas_color)
draw = ImageDraw.Draw(canvas)

# 计算单元格大小和绘制区域
num_rows = 4
num_cols = 4
cell_size = min((canvas_width - 2 * margin) // num_cols, (canvas_height - 2 * margin) // num_rows)
start_x = (canvas_width - cell_size * num_cols) // 2
start_y = (canvas_height - cell_size * num_rows) // 2

# 绘制第一行四个单元格的长度为红色的矩形，边框为10像素的黑色

# 绘制所有单元格的矩形
# 绘制所有单元格的矩形
# for row in range(num_rows):
#     for col in range(num_cols):
#         x1 = start_x + col * cell_size
#         y1 = start_y + row * cell_size
#         x2 = x1 + cell_size
#         y2 = y1 + cell_size
#         draw.rectangle([(x1, y1), (x2, y2)], fill='white', outline=line_color, width=line_width)

# 4行4列8条四格纸
#  第1行
def draw_h1_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x
    y1 = start_y
    x2 = start_x + 4 * cell_size
    y2 = start_y + 1 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[0], outline=line_color, width=line_width)

#  第2行
def draw_h2_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x
    y1 = start_y + 1 * cell_size
    x2 = start_x + 4 * cell_size
    y2 = start_y + 2 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[1], outline=line_color, width=line_width)

#  第3行
def draw_h3_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x
    y1 = start_y + 2 * cell_size
    x2 = start_x + 4 * cell_size
    y2 = start_y + 3 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[2], outline=line_color, width=line_width)

#  第4行
def draw_h4_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x
    y1 = start_y + 3 * cell_size
    x2 = start_x + 4 * cell_size
    y2 = start_y + 4 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[3], outline=line_color, width=line_width)

#  第1列
def draw_l1_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x
    y1 = start_y
    x2 = start_x + 1 * cell_size
    y2 = start_y + 4 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[4], outline=line_color, width=line_width)

#  第2列
def draw_l2_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x + 1 * cell_size
    y1 = start_y
    x2 = start_x + 2 * cell_size
    y2 = start_y + 4 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[5], outline=line_color, width=line_width)

#  第3列
def draw_l3_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x + 2 * cell_size
    y1 = start_y
    x2 = start_x + 3 * cell_size
    y2 = start_y + 4 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[6], outline=line_color, width=line_width)

#  第4列
def draw_l4_rectangle(start_x, start_y, cell_size, line_color, line_width):
    x1 = start_x + 3 * cell_size
    y1 = start_y
    x2 = start_x + 4 * cell_size
    y2 = start_y + 4 * cell_size
    draw.rectangle([(x1, y1), (x2, y2)], fill=colors[7], outline=line_color, width=line_width)
    

#     # 将函数名称提取出来并放入列表
# function_names = ['draw_h1_rectangle','draw_h2_rectangle','draw_h3_rectangle','draw_h4_rectangle','draw_l1_rectangle','draw_l2_rectangle','draw_l3_rectangle','draw_l4_rectangle']
# # 生成所有可能的排列,是元祖()
# permutations = list(itertools.permutations(function_names))

# # 打印排列数量
# print(f"总共有 {len(permutations)} 种不同的排列。")
# # 40320 8的阶乘

import itertools

function_names = ['draw_h1_rectangle','draw_h2_rectangle','draw_h3_rectangle','draw_h4_rectangle','draw_l1_rectangle','draw_l2_rectangle','draw_l3_rectangle','draw_l4_rectangle']


# # 调用函数列表中的函数
# for draw_function in function_names:
#     draw_function(start_x, start_y, cell_size, line_color, line_width)




# # # 保存图片
# # image_path = os.path.join(folder_path, f'测试.jpg')
# # canvas.save(image_path)

# # print(f'图片已保存至：{image_path}')


import itertools

#
# 生成从 8 个元素中选取 7 个元素的所有可能排列,8个互相配对40320,7个互相配对也是40320
permutations = list(itertools.permutations(function_names, 7))
# print(permutations[0:10])

# 打印排列数量
print(f"总共有 {len(permutations)} 种不同的排列。")
# 总共有 40320 种不同的排列。

n=1
# 打印所有排列
for permutation in permutations:    # 因为有40万个，所以先测试前20个
    # print(permutation)
    
    # 将元组转换为函数对象列表
    functions = [eval(function_name) for function_name in permutation[::-1]]
    # # 打印函数对象列表,一长串文字
    print(functions)
    # [<function draw_triangle_2 at 0x000001A4B402F3A8>, <function draw_triangle_1 at 0x000001A4B402FB88>, <function draw_triangle_6 at 0x000001A4B4061288>, <function draw_triangle_3 at 0x000001A4B23C5AF8>, <function draw_triangle_4 at 0x000001A4B4061168>, <function draw_triangle_5 at 0x000001A4B40611F8>]

    # 运行一个7元素,就打乱一次颜色,确保color【0】抽取的颜色每次都不同
    
    # random.shuffle(colors)

    # 调用函数绘制等边三角形
    # 调用函数绘制矩形
    for func in functions:
        # 为每个函数添加缺失的参数
        func(start_x, start_y, cell_size, line_color, line_width)

        # 保存绘制好的图像 已知是43020所以序号是5位数
    canvas.save(folder_path + fr'\{n:05d}.png')
    n+=1

终端展示：

作品展示：

生成时间：

14:54-15:08     14分钟   图片总数40320张

图片分析：

1、出现一样的图片，其实是每条颜色出现的顺序不同

结果：需要去重：由于会出现这种顺序不同，但实际展示的图案结果相同的情况，因此需要去掉重复图片

2、部分图片因为图像重叠，显示的颜色数量不同

因为样例图上有7条颜色，

结论：所以这里需要删除不是7条的图案（4条、5条、6条）

思路：

1、哈希值16点坐标匹配相同样式图片。

2、去掉图片颜色数量小于9（7色+2色黑白）的图片

第一次测试：

第一步：哈希值16点坐标匹配相同样式图片。

1、图片上16个点的坐标

2、代码展示

'''
目的：检测文件内所有图片上16个坐标点的颜色，如果哈希值相同，就将图片复制到同名的哈希值文件内宝轮
作者：AI对话大师，阿夏
时间：2024年5月15日
'''

import os
import hashlib
from shutil import copyfile
from PIL import Image

path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条'
# 源文件夹路径
source_folder = path + r'\01图片总数8的阶乘'
# 目标文件夹路径
destination_folder = path + r'\02哈希16点颜色归类'


# 创建一个字典来存储哈希值和对应的图片路径
hash_dict = {}

# 定义获取颜色值的函数
def get_color_values(image_path, coordinates):
    # 打开图片
    image = Image.open(image_path)

    # 存储获取到的颜色值列表
    color_values = []

    # 遍历坐标列表，获取对应坐标的颜色值
    for coordinate in coordinates:
        x, y = coordinate
        # 获取指定坐标的像素值
        pixel = image.getpixel((x, y))
        # 提取RGB颜色值
        r, g, b = pixel[:3]
        # 将颜色值添加到列表中
        color_values.append((r, g, b))

    return color_values

# 遍历源文件夹中的每个文件
for filename in os.listdir(source_folder):
    filepath = os.path.join(source_folder, filename)

    # 处理图片文件
    if os.path.isfile(filepath) and (filename.endswith(".jpg") or filename.endswith(".png")):
        # 获取对应16个坐标的颜色值
        coordinates = [
            (175, 175), (325,175), (475,175), (625,175),
            (175, 325), (325, 325), (475, 325), (625, 325),
            (175, 475), (325, 475), (475, 475), (625, 475),
            (175, 625), (325, 625), (475, 625), (625, 625)
        ]
        color_values = get_color_values(filepath, coordinates)

        # 哈希计算
        hash_value = hashlib.md5(str(color_values).encode()).hexdigest()  # 使用MD5算法作为哈希函数
        print(hash_value)

        # 将哈希值和对应的图片路径存储到字典中
        if hash_value in hash_dict:
            hash_dict[hash_value].append(filepath)
        else:
            hash_dict[hash_value] = [filepath]

# 遍历字典，复制具有相同哈希值的图片到目标文件夹
for hash_value, filepaths in hash_dict.items():
    if len(filepaths) > 1:
        # 创建对应的文件夹
        folder_path = os.path.join(destination_folder, hash_value)
        os.makedirs(folder_path, exist_ok=True)

        for filepath in filepaths:
            filename = os.path.basename(filepath)
            destination_filepath = os.path.join(folder_path, filename)
            copyfile(filepath, destination_filepath)

终端展示——每张图片的哈希值

运行时间：15:22-15：29

显示出有5750个哈希值文件夹,但是图片只有39168张，不是40320张

经过排重测试，发现原来40320张里面有5750张图片有1-12张的重复图（合计39164张）、同时有1156张图片只有单张

因此，我把哈希值16点颜色坐标代码再优化了一次，把单张图片也算上

'''
目的：检测文件内所有图片上16个坐标点的颜色，如果哈希值相同，就将图片复制到同名的哈希值文件内宝轮
作者：AI对话大师，阿夏
时间：2024年5月15日
'''
import os
import hashlib
from shutil import copyfile
from PIL import Image

path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条'
# 源文件夹路径
source_folder = path + r'\01图片总数8的阶乘'
# 目标文件夹路径
destination_folder = path + r'\02哈希16点颜色归类'

# 创建一个字典来存储哈希值和对应的图片路径
hash_dict = {}

# 定义获取颜色值的函数
def get_color_values(image_path, coordinates):
    # 打开图片
    image = Image.open(image_path)

    # 存储获取到的颜色值列表
    color_values = []

    # 遍历坐标列表，获取对应坐标的颜色值
    for coordinate in coordinates:
        x, y = coordinate
        # 获取指定坐标的像素值
        pixel = image.getpixel((x, y))
        # 提取RGB颜色值
        r, g, b = pixel[:3]
        # 将颜色值添加到列表中
        color_values.append((r, g, b))

    return color_values

# 遍历源文件夹中的每个文件
for filename in os.listdir(source_folder):
    filepath = os.path.join(source_folder, filename)

    # 处理图片文件
    if os.path.isfile(filepath) and (filename.endswith(".jpg") or filename.endswith(".png")):
        # 获取对应16个坐标的颜色值
        coordinates = [
            (175, 175), (325,175), (475,175), (625,175),
            (175, 325), (325, 325), (475, 325), (625, 325),
            (175, 475), (325, 475), (475, 475), (625, 475),
            (175, 625), (325, 625), (475, 625), (625, 625)
        ]
        color_values = get_color_values(filepath, coordinates)

        # 哈希计算
        hash_value = hashlib.md5(str(color_values).encode()).hexdigest()  # 使用MD5算法作为哈希函数
        print(hash_value)

        # 将哈希值和对应的图片路径存储到字典中
        if hash_value in hash_dict:
            hash_dict[hash_value].append(filepath)
        else:
            hash_dict[hash_value] = [filepath]

# 遍历字典，复制图片到目标文件夹
for filepaths in hash_dict.values():
    for filepath in filepaths:
        filename = os.path.basename(filepath)
        hash_value = hashlib.md5(str(get_color_values(filepath, coordinates)).encode()).hexdigest()
        folder_path = os.path.join(destination_folder, hash_value)
        os.makedirs(folder_path, exist_ok=True)
        destination_filepath = os.path.join(folder_path, filename)
        copyfile(filepath, destination_filepath)

print("图片已复制到对应的哈希值文件夹中")

终端运行

运行时间：15:47-16:01  合计40320张，包含6902个文件夹，

随机检查，发现内部每张图片都是一模一样的（检测16个坐标点颜色，正确率高）

计算每个哈希值文件里的图片数量，

'''
每个哈希值文件夹里图片的数量，最多最少
作者：AI对话大师，阿夏
时间：2024年5月15日
'''


import os

def count_images(folder_path):
    image_count = 0

    # 遍历文件夹中的所有文件和子文件夹
    for root, dirs, files in os.walk(folder_path):
        # 遍历当前文件夹中的文件
        for file in files:
            # 检查文件扩展名，判断是否为图片文件
            if file.endswith(".jpg") or file.endswith(".png"):
                image_count += 1
    
    return image_count

folder_path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\02哈希16点颜色归类'  # 文件夹路径

# 存储每个文件夹的图片数量和名称
image_counts = {}

# 遍历文件夹中的每个子文件夹
for subfolder in os.listdir(folder_path):
    subfolder_path = os.path.join(folder_path, subfolder)
    # 计算子文件夹中的图片数量
    image_count = count_images(subfolder_path)
    # 存储图片数量和名称
    image_counts[subfolder] = image_count

# 找到图片数量最多和最少的文件夹
max_count_folder = max(image_counts, key=image_counts.get)
min_count_folder = min(image_counts, key=image_counts.get)

print("数量最多的文件夹名称:", max_count_folder)
print("数量最少的文件夹名称:", min_count_folder)
print("最多图片数量:", image_counts[max_count_folder])
print("最少图片数量:", image_counts[min_count_folder])

三、将6902个哈希值文件夹里的第一张图片复制出来

'''
复制哈希文件名内所有的第一张图片到新的列表内
作者：AI对话大师，阿夏
时间：2024年5月15日
'''
import os
import shutil

output_folder = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\02哈希16点颜色归类'
new_folder = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\03哈希16点颜色单张'
os.makedirs(new_folder, exist_ok=True)

# 获取output_folder中的所有子文件夹
subfolders = [subfolder for subfolder in os.listdir(output_folder) if os.path.isdir(os.path.join(output_folder, subfolder))]

# 遍历每个子文件夹，复制第一张图片到新文件夹
for subfolder in subfolders:
    subfolder_path = os.path.join(output_folder, subfolder)
    images = os.listdir(subfolder_path)
    
    if len(images) > 0:
        # 复制第一张图片
        first_image = images[0]
        source_path = os.path.join(subfolder_path, first_image)
        target_path = os.path.join(new_folder, first_image)
        shutil.copyfile(source_path, target_path)

print("每个子文件夹的第一张图片已复制到文件夹: 03哈希16点颜色单张")

现在去掉16点坐标颜色仙童完全相同的图片后，还有6902张，

四、删除没有9色的图片

一眼就能看到这两个图片没有7色，需要剔除

代码

'''
目的：删除没有9种类颜色的色块（7色+2色黑白）
作者：AI对话大师、阿夏
时间：2024年5月14日
'''

from PIL import Image
import os

def count_colors(image_path):
    image = Image.open(image_path)
    colors = image.getcolors()
    return len(colors)

def remove_images_with_few_colors(folder_path, min_colors=9):
    image_files = [file for file in os.listdir(folder_path) if file.endswith(('.jpg', '.jpeg', '.png', '.gif'))]
    
    for image_file in image_files:
        image_path = os.path.join(folder_path, image_file)
        num_colors = count_colors(image_path)

        if num_colors < min_colors or num_colors >min_colors:
            os.remove(image_path)
            print(f"已删除颜色少于{min_colors}种的图片：{image_file}")

    print("处理完成。")

# 文件夹路径
folder_path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\03哈希16点颜色单张'

# 调用函数删除颜色数量少于8种的图片
remove_images_with_few_colors(folder_path, min_colors=9)

终端展示：

16:11-16:12，再次保留7色纸条图片后，生育5400张不重复的

最后有5400张！！！

第二次测试

1、先去掉非7色的图片（从40320开始删除）

'''
目的：删除没有9种类颜色的色块（7色+2色黑白）
作者：AI对话大师、阿夏
时间：2024年5月14日
'''

from PIL import Image
import os

def count_colors(image_path):
    image = Image.open(image_path)
    colors = image.getcolors()
    return len(colors)

def remove_images_with_few_colors(folder_path, min_colors=9):
    image_files = [file for file in os.listdir(folder_path) if file.endswith(('.jpg', '.jpeg', '.png', '.gif'))]
    
    for image_file in image_files:
        image_path = os.path.join(folder_path, image_file)
        num_colors = count_colors(image_path)

        if num_colors < min_colors or num_colors >min_colors:
            os.remove(image_path)
            print(f"已删除颜色少于{min_colors}种的图片：{image_file}")

    print("处理完成。")

# 文件夹路径
folder_path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\04图片总数8的阶乘'

# 调用函数删除颜色数量少于8种的图片
remove_images_with_few_colors(folder_path, min_colors=9)

从40320开始删除。去掉非7色的图案后，还剩23040,有17280张时4色、5色、6色

（有时间在测试一下，有多少张4色、5色、6色、7色）

2、哈希16点最表颜色检测去重复

'''
目的：检测文件内所有图片上16个坐标点的颜色，如果哈希值相同，就将图片复制到同名的哈希值文件内宝轮
作者：AI对话大师，阿夏
时间：2024年5月15日
'''
import os
import hashlib
from shutil import copyfile
from PIL import Image

path = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条'
# 源文件夹路径
source_folder = path + r'\04图片总数8的阶乘'
# 目标文件夹路径
destination_folder = path + r'\05哈希16点颜色归类'

# 创建一个字典来存储哈希值和对应的图片路径
hash_dict = {}

# 定义获取颜色值的函数
def get_color_values(image_path, coordinates):
    # 打开图片
    image = Image.open(image_path)

    # 存储获取到的颜色值列表
    color_values = []

    # 遍历坐标列表，获取对应坐标的颜色值
    for coordinate in coordinates:
        x, y = coordinate
        # 获取指定坐标的像素值
        pixel = image.getpixel((x, y))
        # 提取RGB颜色值
        r, g, b = pixel[:3]
        # 将颜色值添加到列表中
        color_values.append((r, g, b))

    return color_values

# 遍历源文件夹中的每个文件
for filename in os.listdir(source_folder):
    filepath = os.path.join(source_folder, filename)

    # 处理图片文件
    if os.path.isfile(filepath) and (filename.endswith(".jpg") or filename.endswith(".png")):
        # 获取对应16个坐标的颜色值
        coordinates = [
            (175, 175), (325,175), (475,175), (625,175),
            (175, 325), (325, 325), (475, 325), (625, 325),
            (175, 475), (325, 475), (475, 475), (625, 475),
            (175, 625), (325, 625), (475, 625), (625, 625)
        ]
        color_values = get_color_values(filepath, coordinates)

        # 哈希计算
        hash_value = hashlib.md5(str(color_values).encode()).hexdigest()  # 使用MD5算法作为哈希函数
        print(hash_value)

        # 将哈希值和对应的图片路径存储到字典中
        if hash_value in hash_dict:
            hash_dict[hash_value].append(filepath)
        else:
            hash_dict[hash_value] = [filepath]

# 遍历字典，复制图片到目标文件夹
for filepaths in hash_dict.values():
    for filepath in filepaths:
        filename = os.path.basename(filepath)
        hash_value = hashlib.md5(str(get_color_values(filepath, coordinates)).encode()).hexdigest()
        folder_path = os.path.join(destination_folder, hash_value)
        os.makedirs(folder_path, exist_ok=True)
        destination_filepath = os.path.join(folder_path, filename)
        copyfile(filepath, destination_filepath)

print("图片已复制到对应的哈希值文件夹中")

终端展示：

16:30-16:43  23040张合并成了5400个文件夹

复制每个文件夹里的第一个图片

'''
复制哈希文件名内所有的第一张图片到新的列表内
作者：AI对话大师，阿夏
时间：2024年5月15日
'''
import os
import shutil

output_folder = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\05哈希16点颜色归类'
new_folder = r'C:\Users\jg2yXRZ\OneDrive\桌面\重叠纸条\06哈希16点颜色单张'
os.makedirs(new_folder, exist_ok=True)

# 获取output_folder中的所有子文件夹
subfolders = [subfolder for subfolder in os.listdir(output_folder) if os.path.isdir(os.path.join(output_folder, subfolder))]

# 遍历每个子文件夹，复制第一张图片到新文件夹
for subfolder in subfolders:
    subfolder_path = os.path.join(output_folder, subfolder)
    images = os.listdir(subfolder_path)
    
    if len(images) > 0:
        # 复制第一张图片
        first_image = images[0]
        source_path = os.path.join(subfolder_path, first_image)
        target_path = os.path.join(new_folder, first_image)
        shutil.copyfile(source_path, target_path)

print("每个子文件夹的第一张图片已复制到文件夹: 03哈希16点颜色单张")

最后还是5400张！

结论：两次去重保7，结果都是5400张

证明8张纸条随机抽7张纸条（3行4列或4行3列）的图层重叠最多有40320种排法，但是去掉图案完全相同，去掉非七张的图片，还有5400种不重复排法。

从做区角模板的角度来看（原来的图例时16张），5400种还是太多了，后续再进行筛选

比如只有两个颜色只出现1个格子，1个颜色是4条格子的

或者降低难度，出现了三条颜色横向都是4格的，四个颜色1个格

运用python，还真的能推演数学学具的规律和原理