用几何原始素重现图像。
提供目标图像作为输入。该算法试图找到可以绘制的最佳形状，以最大程度地减少目标图像和绘制图像之间的误差。它重复此过程，一次添加一种形状。需要大约50至200个形状才能达到可识别但艺术和抽象的结果。
现在作为本机Mac应用程序可用！
https://primitive.lol/
在Twitter上关注@primitivePic，每30分钟查看一次新的原始图片！
Twitter机器人使用Flickr API寻找有趣的照片，使用随机参数运行算法，并使用Twitter API发布图片。
您可以向机器人发推文，它将为您处理。
用自己的图像运行！首先，安装去。
go get -u github.com/fogleman/primitive
primitive -i input.png -o output.png -n 100
应使用小输入图像（例如256x256px）。无论如何，您都不需要细节，并且代码运行速度会更快。
| 旗帜 | 默认 | 描述 |
|---|---|---|
i | N/A。 | 输入文件 |
o | N/A。 | 输出文件 |
n | N/A。 | 形状数 |
m | 1 | 模式：0 =组合，1 =三角形，2 = rect，3 =椭圆，4 =圆，5 =旋转式，6 = beziers，7 = rotatedellipse，8 =多边形 |
rep | 0 | 通过减少搜索添加n个额外形状的每次迭代（主要对beziers有益） |
nth | 1 | 保存每个n帧（仅当%d在输出路径中时） |
r | 256 | 在处理之前，将大型输入图像调整到此大小 |
s | 1024 | 输出图像大小 |
a | 128 | 颜色alpha（使用0让算法为每种形状选择alpha） |
bg | avg | 开始背景颜色（十六进制） |
j | 0 | 并行工人的数量（默认使用所有内核） |
v | 离开 | 详细输出 |
vv | 离开 | 非常详细的输出 |
根据提供的输出文件扩展名，您可以产生不同类型的输出。
PNG ：栅格输出JPG ：栅格输出SVG ：向量输出GIF ：动画输出显示正在添加形状 - 需要ImageMagick（特别是convert命令）对于PNG和SVG输出，您还可以在文件名中包括%d ， %03d等。在这种情况下，每个帧将分别保存。
您可以多次使用-o标志。这样，您可以同时保存PNG和SVG。
该GIF展示了算法的迭代性质，试图通过一次添加一种形状来最大程度地减少平方误差。 （使用“ .gif”输出文件自己生成一个！）
由于该算法具有随机的组件，因此您可以多次在相同的输入图像上运行它，以使生命成为静态图像。
如果您愿意涉足代码，则可以在形状上执行约束，以产生更有趣的结果。在这里，在金字塔日落的这张照片中，矩形被限制为指向太阳。
下面的矩阵显示了50、100和200迭代的三角形，椭圆和矩形。
说我们有Target Image 。这就是我们正在努力重新创建的方法。我们从空白的画布开始，但是我们用单个纯色填充它。目前，这是Target Image的平均颜色。我们将此新的空白画布称为Current Image 。现在，我们开始评估形状。为了评估形状，我们将其绘制在Current Image的顶部，从而产生New Image 。将此New Image与Target Image进行比较以计算分数。我们为分数使用根平方的错误。
Current Image + Shape => New Image
RMSE(New Image, Target Image) => Score
形状是随机生成的。我们可以生成一个随机的形状并为其进行评分。然后，我们可以突变形状（通过调整三角顶点，调整椭圆半径或中心等）并再次对其进行评分。如果突变改善了分数，我们将其保留。否则，我们回滚至先前的状态。重复此过程称为爬山。爬山很容易陷入当地的最小值，因此我们实际上以几种不同的起始形状进行了许多不同的时代。在开始爬山之前，我们还可以产生n个随机形状，并选择最好的形状。模拟退火是另一个不错的选择，但是在我的测试中，我发现爬山技术的速度同样好，至少对于这个特定的问题。
一旦找到了得分良好的形状，我们就将其添加到Current Image中，在该图像将保持不变。然后，我们再次开始该过程，以找到要绘制的下一个形状。该过程根据需要重复多次。
支持以下原语：
通过实现以下接口可以添加更多形状：
type Shape interface {
Rasterize () [] Scanline
Copy () Shape
Mutate ()
Draw ( dc * gg. Context )
SVG ( attrs string ) string
}该项目最初是受罗杰·约翰逊（Roger Johansson）流行而出色的作品的启发 - 遗传编程：莫娜·丽莎（Mona Lisa）的演变。自从看到这篇文章时，我多年来就在这里和那里都对此问题进行了修补。但是直到现在我对结果感到满意。
应当指出的是，与罗杰的原始作品相比，我的实施情况有很大差异。我的不是遗传算法。我的一次只能以一种形状运行。我的速度要快得多（AFAIK），并支持许多类型的形状。
这是Flickr上有趣的照片中的更多示例。
