用幾何原始素重現圖像。
提供目標圖像作為輸入。該算法試圖找到可以繪製的最佳形狀，以最大程度地減少目標圖像和繪製圖像之間的誤差。它重複此過程，一次添加一種形狀。需要大約50至200個形狀才能達到可識別但藝術和抽象的結果。
現在作為本機Mac應用程序可用！
https://primitive.lol/
在Twitter上關注@primitivePic，每30分鐘查看一次新的原始圖片！
Twitter機器人使用Flickr API尋找有趣的照片，使用隨機參數運行算法，並使用Twitter API發布圖片。
您可以向機器人發推文，它將為您處理。
用自己的圖像運行！首先，安裝去。
go get -u github.com/fogleman/primitive
primitive -i input.png -o output.png -n 100
應使用小輸入圖像（例如256x256px）。無論如何，您都不需要細節，並且代碼運行速度會更快。
| 旗幟 | 預設 | 描述 |
|---|---|---|
i | N/A。 | 輸入文件 |
o | N/A。 | 輸出文件 |
n | N/A。 | 形狀數 |
m | 1 | 模式：0 =組合，1 =三角形，2 = rect，3 =橢圓，4 =圓，5 =旋轉式，6 = beziers，7 = rotatedellipse，8 =多邊形 |
rep | 0 | 通過減少搜索添加n個額外形狀的每次迭代（主要對beziers有益） |
nth | 1 | 保存每個n幀（僅當%d在輸出路徑中時） |
r | 256 | 在處理之前，將大型輸入圖像調整到此大小 |
s | 1024 | 輸出圖像大小 |
a | 128 | 顏色alpha（使用0讓算法為每種形狀選擇alpha） |
bg | avg | 開始背景顏色（十六進制） |
j | 0 | 並行工人的數量（默認使用所有內核） |
v | 離開 | 詳細輸出 |
vv | 離開 | 非常詳細的輸出 |
根據提供的輸出文件擴展名，您可以產生不同類型的輸出。
PNG ：柵格輸出JPG ：柵格輸出SVG ：向量輸出GIF ：動畫輸出顯示正在添加形狀 - 需要ImageMagick（特別是convert命令）對於PNG和SVG輸出，您還可以在文件名中包括%d ， %03d等。在這種情況下，每個幀將分別保存。
您可以多次使用-o標誌。這樣，您可以同時保存PNG和SVG。
該GIF展示了算法的迭代性質，試圖通過一次添加一種形狀來最大程度地減少平方誤差。 （使用“ .gif”輸出文件自己生成一個！）
由於該算法具有隨機的組件，因此您可以多次在相同的輸入圖像上運行它，以使生命成為靜態圖像。
如果您願意涉足代碼，則可以在形狀上執行約束，以產生更有趣的結果。在這裡，在金字塔日落的這張照片中，矩形被限制為指向太陽。
下面的矩陣顯示了50、100和200迭代的三角形，橢圓和矩形。
說我們有Target Image 。這就是我們正在努力重新創建的方法。我們從空白的畫布開始，但是我們用單個純色填充它。目前，這是Target Image的平均顏色。我們將此新的空白畫布稱為Current Image 。現在，我們開始評估形狀。為了評估形狀，我們將其繪製在Current Image的頂部，從而產生New Image 。將此New Image與Target Image進行比較以計算分數。我們為分數使用根平方的錯誤。
Current Image + Shape => New Image
RMSE(New Image, Target Image) => Score
形狀是隨機生成的。我們可以生成一個隨機的形狀並為其進行評分。然後，我們可以突變形狀（通過調整三角頂點，調整橢圓半徑或中心等）並再次對其進行評分。如果突變改善了分數，我們將其保留。否則，我們回滾至先前的狀態。重複此過程稱為爬山。爬山很容易陷入當地的最小值，因此我們實際上以幾種不同的起始形狀進行了許多不同的時代。在開始爬山之前，我們還可以產生n個隨機形狀，並選擇最好的形狀。模擬退火是另一個不錯的選擇，但是在我的測試中，我發現爬山技術的速度同樣好，至少對於這個特定的問題。
一旦找到了得分良好的形狀，我們就將其添加到Current Image中，在該圖像將保持不變。然後，我們再次開始該過程，以找到要繪製的下一個形狀。該過程根據需要重複多次。
支持以下原語：
通過實現以下接口可以添加更多形狀：
type Shape interface {
Rasterize () [] Scanline
Copy () Shape
Mutate ()
Draw ( dc * gg. Context )
SVG ( attrs string ) string
}該項目最初是受羅傑·約翰遜（Roger Johansson）流行而出色的作品的啟發 - 遺傳編程：莫娜·麗莎（Mona Lisa）的演變。自從看到這篇文章時，我多年來就在這里和那裡都對此問題進行了修補。但是直到現在我對結果感到滿意。
應當指出的是，與羅傑的原始作品相比，我的實施情況有很大差異。我的不是遺傳算法。我的一次只能以一種形狀運行。我的速度要快得多（AFAIK），並支持許多類型的形狀。
這是Flickr上有趣的照片中的更多示例。
