编程 on 红旗下的蛋

【人工智能+】系列（二）：从概念到落地，30分钟搭建你的“战略型第二大脑”

Thu, 04 Sep 2025 10:45:00 +0800

这篇文章，主要是介绍如何在 n8n 上建立一个" 第二大脑" 的工作流，内容比较枯燥，如果想立即尝试，见文章最后的📎

这篇文章，主要是介绍如何在 n8n 上建立一个" 第二大脑" 的工作流，内容比较枯燥，如果想立即尝试，见文章最后的📎 配套资源，获取一键导入的 n8n 配置文件。在导入之前，确保 n8n、ollama 和 Qwen 都正常运行，相关安装方法，见网上教程。

引言：我们为什么需要“第二大脑”？

在通信行业，每一份战略规划都承载着对未来的判断。它不仅要基于历史经验、试点反馈，更要精准对齐高层意图，并洞察竞争格局。

然而，信息散落在 OA、本地磁盘、会议纪要中，专家常常陷入“找资料比写方案还累”的困境。

而我们在上篇提出的解决方案是：打造一个能“ 感知任务、融合知识、生成框架 ”的“战略型第二大脑”。

现在，是时候兑现承诺了。

本文将带您 从零开始，用开源工具本地搭建一个可用的“第二大脑” 。

一个基于 n8n + Ollama + Qwen 的智能系统，流程如下图：

1

战略生成流程知识库模块读取目录文件切分文本Ollama 向量化存入 Simple Vector Store任务输入感知模块融合模块查询 Vector Store Tool生成模块输出初稿专家介入

• 知识库模块 ：构建企业“战略记忆中枢”，将散落的文档转化为可检索、可追溯、可进化的智能资产。
• 感知模块 ：听懂任务背后的“弦外之音”，解析出关键词与战略意图。
• 融合模块 ：激活企业“沉睡的知识资产”，实现跨文档、跨时间的语义关联。
• 生成模块 ：基于上下文，自动生成逻辑清晰、结构完整的方案初稿。
• 专家介入 ：最终决策与洞见注入，人机协同产出真正有价值的方案。

这套系统能否成功，80% 取决于知识库的质量，20% 取决于技术实现的合理性。接下来，我们就来一步步构建它。

步骤 1：打造可进化的“战略知识库”

🎯 目标：将分散的 .txt 文件自动转化为结构化、可语义检索的知识资产。

1. 节点 1：读取指定目录下的所有文本文件（Read/Write File）

• 节点名称 ： 资料输入
• 节点类型 ： n8n-nodes-base.readWriteFile

• 配置：

1
2
3
4
5
6


{
 "fileSelector": "d:\\\\second_brain_demo\\\\*",
 "options": {
 "fileExtension": ".txt"
 }
}

• 功能：扫描 d:\second_brain_demo\ 目录下所有 .txt 文件，支持通配符。
• 输出：以二进制形式返回每个文件内容。

💡 可扩展支持 .pdf 、.docx ，但需确保 Ollama 支持解析。

2. 节点 2：文本切分（Recursive Character Text Splitter）

• 节点名称 ： Recursive Character Text Splitter

• 配置：

1
2
3
4


{
 "chunkSize": 100,
 "chunkOverlap": 20
}

• 作用：将长文本按字符递归切分为小片段，避免超出模型上下文。
• 切分逻辑 ：优先按 \n\n 、 \n 、、. 分割。

⚠️ 注意：当前版本中，切分由该节点控制，而非 Simple Vector Store 内置。

3. 节点 3：调用 Ollama 进行向量化（Embeddings Ollama）

• 节点名称 ： Embeddings Ollama

• 配置：

1
2
3


{
 "model": "dengcao/bge-large-zh-v1.5:latest"
}

• 功能：调用本地 Ollama 服务，使用中文优化的 bge-large-zh 模型生成向量。
• 优势：专为中文语义设计，在“领导讲话”“试点报告”等场景表现优异。

✅ 需提前运行：
1
ollama pull dengcao/bge-large-zh-v1.5

4. 节点 4：存入向量数据库（Simple Vector Store）

• 节点名称 ： Simple Vector Store
• 配置：
• Mode: insert
- • Memory Key: vector_store_key
• 连接：
• 输入文档 → Default Data Loader
- • 切分器 → Recursive Character Text Splitter
- • 嵌入模型 → Embeddings Ollama

✅ 数据将持久化在内存中，供后续查询使用。

✅ 知识库构建流程总结

节点	功能
`资料输入`	扫描目录，读取 `.txt` 文件
`Recursive Character Text Splitter`	按设定规则切分文本
`Embeddings Ollama`	使用 `bge-large-zh` 生成中文向量
`Simple Vector Store`	存储为可检索的知识片段

🔄 此流程可绑定 Cron Trigger ，实现 每日自动更新知识库 。

步骤 2：构建“懂战略”的 AI 生成引擎

🎯 目标：用户输入任务，AI 自动调用知识库，生成专业方案初稿。

1. 节点 1：任务输入（Chat Trigger）

• 节点名称 ： 任务输入
• 类型： @n8n/n8n-nodes-langchain.chatTrigger
• 作用：接收用户输入的任务指令，如： “请基于历史方案和试点反馈，制定县乡传输网低成本演进路径”

2. 节点 2：感知模块（AI Agent + 知识检索）

• 节点名称 ： 感知模块
• 类型： @n8n/n8n-nodes-langchain.agent
• 核心配置 ：

📌 使用的模型

• 语言模型 ： Qwen Turbo （通过 API 调用）
• 嵌入模型 ： Ollama （用于检索）
• 记忆机制 ： Window Buffer Memory （保留上下文）

📌 系统提示词（System Message）

1
2
3
4
5
6
7
8


你是一名通信网络战略规划专家以及专业的任务分析助手。你的职责是分析用户的要求：{{$json.chatInput}}，根据查询知识库 company_documents_tool 中的相关内容, 输出框架大纲。

请严格遵守以下规则：
1. 内容从知识库 company_documents_tool 获取
2. 输出内容只包含“需要做什么”，不得加入额外解释
3. 输出格式为 JSON，必须包含：
 - "task": "一句话说明要完成的具体任务"
 - "requirements": ["要求1", "要求2", ...]

📌 工具绑定

• Vector Store Tool ： company_documents_tool ，用于检索知识库

✅ 该模块将：

• 解析用户意图

• 自动调用知识库检索相关资料

• 输出结构化任务框架

3. 节点 3：生成模块（AI Agent + 文档生成）

• 节点名称 ： 生成模块
• 类型： @n8n/n8n-nodes-langchain.agent
• 系统提示词 ：

1
2
3
4
5
6
7
8


你是一名通信网络战略规划专家。
你是一个专业的文档编写助手。你的任务是根据任务要求，仅使用知识库 company_documents_tool 提供的内容，生成最终文档。

请严格遵守以下规则：
1. 所有内容必须来自知识库，不得引入外部信息
2. 可以在知识库范围内进行归纳、整合，但不得编造
3. 如果某项信息未找到，请写“相关信息未在知识库中找到”
4. 文风：简洁、正式、专业

✅ 输入来自“感知模块”的结构化任务框架，输出完整方案初稿。

✅ 战略生成流程总结

节点	功能
`任务输入`	接收用户指令
`感知模块`	解析意图，调用知识库，输出任务框架
`生成模块`	基于框架与知识，生成专业文档

🔁 整个流程无需人工干预，AI 自主完成“理解 → 检索 → 生成”。

三、关键连接：模块如何协同工作？

连接	说明
`资料输入` → `Simple Vector Store`	触发知识入库
`Embeddings Ollama` → `Simple Vector Store`	提供中文向量能力
`Vector Store Tool` ←→ `感知模块` & `生成模块`	提供语义检索能力
`Qwen` ←→ 所有 AI Agent 节点	提供大模型推理能力
`Window Buffer Memory` ←→ 两个 Agent	支持多轮对话上下文

✅ 所有 AI 能力通过标准接口连接，模块化、可替换、可扩展。

📁 知识库演示内容

为确保 AI 能生成高质量方案，建议知识库包含以下五个测试文件, 均由 LLM 生成：

文件名	内容重点	示例片段
`白皮书摘要.txt`	战略目标、技术路径	“2027 年实现县乡 100% 光缆覆盖”
`试点报告.txt`	成功/ 失败经验	“FgOTN 设备成本高达 45 万元”
`领导讲话.txt`	战略偏好	“要注重投资效益，避免重复建设”
`友商应用情况.txt`	竞争情报	“B 运营商采用 DCI-BOX，部署效率提升”
`设备对比资料.txt`	技术依据	“DCI-BOX 成本比 OTN 低 30%-50%”

⚠️ 重要说明与边界

项目	说明
Ollama 必须运行	`ollama serve` 需常驻后台
嵌入模型必须加载	`ollama pull dengcao/bge-large-zh-v1.5`
Qwen Turbo 需 API 密钥	通过阿里云百炼平台获取
向量库存储在内存中	如需持久化，建议升级为 ChromaDB 或 FAISS
必须人工审核	⚠️ AI 输出仅作参考，不可直接用于决策

实战演示：以“县乡传输网演进”为例

让我们用一个真实场景验证系统效果。

任务输入 ：

请结合《XX 网络 2025-2027 年演进白皮书》和DCI-BOX以及FgOTN试点情况，研究县乡本地传输网的演进方向。重点考虑低成本、可持续性和与国家‘新基建’政策的契合度。参考近期领导在务虚会上关于‘网络精简’和‘区域均衡’的讲话精神。

感知模块调用融合模块输出 ：

1

AI: {"task": "编制县乡本地传输网发展建设指导意见","requirements": ["结合《XX 网络 2025-2027 年演进白皮书》的内容","分析DCI-BOX和FgOTN试点情况","制定县乡本地传输网发展建设指导意见","重点考虑低成本、可持续性","确保与国家‘新基建’政策的契合度","参考近期领导在务虚会上关于‘网络精简’和‘区域均衡’的讲话精神"],"rule": "必须采用company_documents_tool内的信息"}

生成模块调用融合模块输出初稿（语言模型不同，输出也不同） ：

县乡本地传输网发展建设指导意见

一、总体目标

根据《XX 网络 2025-2027 年演进白皮书》的指导思想，结合DCI-BOX和FgOTN试点情况，推动县乡本地传输网的高质量发展。以低成本、可持续性为核心，确保与国家“新基建”政策的契合度，同时落实领导在务虚会上关于“网络精简”和“区域均衡”的讲话精神。

二、基本原则

低成本：优先采用成熟、经济的技术方案，降低建设和运维成本。

可持续性：注重资源的合理利用，确保网络长期稳定运行。

政策契合度：紧密结合国家“新基建”政策，推动技术与政策的深度融合。

网络精简：优化网络结构，提升效率，减少冗余。

区域均衡：实现城乡网络协调发展，缩小数字鸿沟。

三、重点任务

技术选型

推广DCI-BOX和FgOTN等先进技术，提升传输效率和灵活性。

结合试点经验，逐步推广适用于县乡地区的解决方案。

网络规划

根据区域发展需求，制定合理的网络布局，确保覆盖全面。

强化骨干网与接入网的协同，提升整体性能。

政策支持

积极争取国家“新基建”政策的支持，争取专项资金。

推动地方政策与国家政策的对接，形成合力。

管理机制

建立健全网络维护和管理机制，确保网络运行的稳定性。

加强人才培训，提升运维水平。

四、实施步骤

调研分析：深入调研县乡地区网络现状及需求，形成详细报告。

方案设计：基于调研结果，制定具体实施方案。

试点推进：选择典型区域进行试点，积累经验。

全面推广：总结试点经验，逐步推广至全县乡范围。

五、保障措施

组织保障：成立专项工作组，明确责任分工。

资金保障：多渠道筹措资金，确保项目顺利实施。

监督评估：建立监督评估机制，定期检查项目进展。

六、结语

县乡本地传输网的发展是推动乡村振兴和数字化转型的重要基础。通过科学规划、技术创新和政策支持，努力构建一个高效、经济、可持续的县乡传输网络，为实现“网络强国”目标贡献力量。

结语：从“建力”到“用智”，通信人的 AI 新使命

在上一篇文章的结尾，我们提到：

“在下一篇中，我将分享如何利用开源工具，在本地环境中一步步搭建起这套能解码战略的智能系统。”

今天，我们兑现了这个承诺。

这套系统原型，还不能真正的实用,仅仅是一个最小的简单RAG系统，但让我们认识到：人工智能，不再遥远，而是每一位战略规划专家都 用得上、用得起、用得安心 的生产力工具。

它让我们：

• 从 “信息搬运工” 转变为 “战略架构师” ；
• 从 “被动响应” 升级为 “主动洞察” ；
• 从 “经验驱动” 迈向 “数据+ 智能驱动” 。

更重要的是，它提醒我们：作为通信人，我们不仅是 算力的建设者 ，更应成为 智能的应用者 。国家推动“人工智能+”，不仅是让我们建更多的数据中心，更是鼓励我们 率先在自身业务中实践 AI 的价值 。

📎 配套资源

关注公众号，回复“ 第二大脑 ”（不是文章留言!），获取：

• 本文对应的工作流 JSON 文件（可直接导入）
• 5 份示例资料（.txt）
• 示例资料默认存储在"D:\second_brain_demo" 目录下
• 由于笔记本算力不足, 语言模型用阿里的免费 Qwen 模型，可以去申请免费 API_KEY

色子肖像--Python程序

Thu, 28 Dec 2017 15:49:14 +0800

上一篇色子肖像介绍了把图像变成色子点阵图的基本思路，用python语言采用PIL库写了一个程序，后来发现opencv更加简便合适，就采用numpy以及opencv库，进行了优化。这是我第一次开始用python语言编写稍微复杂些的程序。对于有一定编程经验的人，采用实现一个功能的方式编程能够很快熟悉该语言，是一种很好的学习方式。

以下是我编写的程序以及简单的注释。

由于要对图像进行数值处理，所以采用opencv以及numpy库。首先是加载库，datetime是用于计算程序运行时间，os是用于获得文件路径，sys是用于获得命令行参数，cv2是opencv库，numpy是python的数组库。

1
2
3
4
5


import datetime
import os
import sys
import cv2
import numpy as np

保证程序本身直接执行，而不是被调用，如果直接执行，则调用main()函数。

1
2


if __name__ == "__main__":
 main()

一个python文件就可以看作是一个python的模块，这个python模块（.py文件）有两种使用方式：直接运行使用和作为模块被其他模块调用。每一个模块都有一个内置属性__name__。而__name__的值取决与python模块（.py文件）的使用方式。如果是直接运行使用，那么这个模块的__name__值就是“main”；如果是作为模块被其他模块调用，那么这个模块（.py文件）的__name__值就是该模块（.py文件）的文件名且不带路径和文件扩展名，如果dice_portrait_cv.py被其他python程序import dice_portrait_cv，则__name__为dice_portrait_cv。 main()函数，主要功能流程的执行，分别是：

1.初始化文件路径

1
2
3
4
5
6
7
8


def main():
 start_time = datetime.datetime.now() #设置程序运行开始时间
 #初始化文件路径
 EXEC_PATH = os.getcwd()
 DICEPATH = EXEC_PATH + '\\dice_image\\'
 OUTPUTPATH = EXEC_PATH + '\\output\\'
 if not (os.path.exists(OUTPUTPATH)):
 os.mkdir(OUTPUTPATH)

2.获得命令行参数，调用自定义函数getvalue()，返回输入图片文件名，色子列数，是否旋转

1

 imagefile, DICE_WIDTH, ROTATE = getvalue()

3.读取要渲染的图片及色子图片

1
2


 im = cv2.imread(imagefile, 0)
 dice = getDice(DICEPATH)

4.调用自定义函数，调整图片大小，返回图片数组

1

 im = AjustImage(DICE_WIDTH, im)

5.定义灰色度数值对应色子1-6点的分组，用了list，也可以用numpy的数组

1
2
3


 p = [60, 80, 110, 150, 190, 220]
 #使用numpy数组
 p = np.array([60, 80, 110, 150, 190, 220])

6.对图像进行16x16图块分割，并计算灰度，对应色子1-6，并将图片转换成色子点阵图，调用自定义函数，获得处理后的图像以及色子点数文件。

1

 im, dice_data = calculateDice(im, imagefile, p, dice, ROTATE)

7.保存图片及色子点数文件

1

 write_Dice(im, OUTPUTPATH, imagefile, dice_data)

8.打印运行时间以及色子图片，按任意键退出

1
2
3
4


 end_time = datetime.datetime.now()
 print('程序运行时间:', end_time - start_time,'秒')
 cv2.imshow(imagefile, im)
 cv2.waitKey(0)

下面是自定义函数。 1.获得命令行变量，返回变量：imagefile（输入文件名）, DICE_WIDTH（色子列数）, ROTATE（色子2，3，6是否旋转） def getvalue():

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26


 if (len(sys.argv) < 2 or len(sys.argv) > 4):
 print("Error, invalid arguments!")
 print("Call with " + sys.argv[0] + " inputimage [tile-size] ")
 sys.exit(1)
 ROTATE = False
 DICE_WIDTH = 50
 if len(sys.argv) == 2:
 imagefile = sys.argv[1]
 elif len(sys.argv) == 3:
 imagefile = sys.argv[1]
 DICE_WIDTH = int(sys.argv[2])
 if (DICE_WIDTH > 150 or DICE_WIDTH < 30):
 print("色子列数不正确，应在30-150之间")
 sys.exit(1)
 else:
 imagefile = sys.argv[1]
 DICE_WIDTH = int(sys.argv[2])
 if (DICE_WIDTH > 150 or DICE_WIDTH < 30):
 print("Dice quality not avialiabe. It betweet 30 and 150")
 sys.exit(1)
 if (sys.argv[3] == '0' or sys.argv[3] == '1'):
 ROTATE = bool(int(sys.argv[3]))
 else:
 print("1:色子旋转, 0:色子不旋转")
 sys.exit(1)
 return imagefile, DICE_WIDTH, ROTATE

2.调整图片，图片宽度为色子列数*16，返回调整后的图像数组，自定义函数输入变量为DICE_WIDTH（色子列数），image（输入的图像数组）

1
2
3
4
5
6
7


def AjustImage(DICE_WIDTH, image): # 调整图片
 hight, width = image.shape[:2]
 ratio = DICE_WIDTH * 16 / width
 width = int(width * ratio)
 hight = int(hight * ratio)
 image = cv2.resize(image, (width, hight))
 return image

3.读入色子图形

1
2
3
4
5


def getDice(DICEPATH): # 读入色子图形文件
 dice = np.zeros((9, 16, 16),dtype='u8')
 for i in range(9):
 dice[i] = cv2.imread('./dice_image/' + str(i + 1) + 'w.png', 0)
 return dice

4.对图像进行处理，输入参数：im（图像数组）, imagefile（图片文件名）, p（灰色度分组数组）, dice（色子图片数组）, ROTATE（色子2，3，6是否旋转），返回处理后的图片数组im，以及色子点数数组image_data

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45


def calculateDice(im, imagefile, p, dice, ROTATE): # 处理图片
 x_max = int((im.shape[1]/16))
 y_max = int((im.shape[0]/16))
 dice_data = np.arange(y_max * x_max, dtype="u8").reshape(y_max, x_max)
 dice2_rotate = False
 dice3_rotate = False
 dice6_rotate = False
 cv2.namedWindow(imagefile, 0)
 cv2.resizeWindow(imagefile, 640, int(640 * y_max / x_max))
 for j in range(y_max):
 for i in range(x_max):
 # 获得16x16图片的色度平均值mean或中位数median
 image_data = int(np.mean(im[j * 16:(j + 1) * 16, i * 16:(i + 1) * 16]))
 # 根据色度值确定色子点数
 if (image_data < p[0]):
 n = 5
 if (ROTATE):
 dice6_rotate = not (dice6_rotate)
 if (dice6_rotate):
 n = 8
 elif (image_data >= p[0]) and (image_data < p[1]):
 n = 4
 elif (image_data >= p[1]) and (image_data < p[2]):
 n = 3
 elif (image_data >= p[2]) and (image_data < p[3]):
 n = 2
 if (ROTATE):
 dice3_rotate = not (dice3_rotate)
 if (dice3_rotate):
 n = 7
 elif (image_data >= p[3]) and (image_data < p[4]):
 n = 1
 if (ROTATE):
 dice2_rotate = not (dice2_rotate)
 if (dice2_rotate):
 n = 6
 else:
 n = 0
 #将色子图片写入原图片
 im[j * 16:(j + 1) * 16, i * 16:(i + 1) * 16] = dice[n]
 dice_data[j, i] = n + 1
 #显示色子覆盖原图片步骤
 cv2.imshow(imagefile, im)
 cv2.waitKey(1)
 return im, dice_data

5.保存图片及色子点数文件

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14


def write_Dice(im, OUTPUTPATH, imagefile, dice_data): # 将色子点数写入文件
 y_max, x_max = np.shape(dice_data)
 DICE_WIDTH = x_max
 print("色子数量", y_max, '*', x_max, '=', x_max * y_max)
 cv2.imwrite(OUTPUTPATH + str(DICE_WIDTH) + '_hist_' + imagefile, im)
 f = open(OUTPUTPATH + str(DICE_WIDTH) + '_hist_' + imagefile + '.txt', 'wt')
 for y in range(y_max):
 f.write((str(y + 1) + ':'))
 for x in range(x_max):
 f.write(str(dice_data[y, x]) + ',')
 f.write('\n')
 f.close()
 print('文件保存完毕!')
 return

采用numpy，对数组进行运算非常方便。

程序放到了GitHub上，也可以直接用

git clone https://github.com/fallleaf/dice_portrait.git

图框和色子都准备好了，这将是18年的第一个项目。

色子肖像

Tue, 12 Dec 2017 10:02:27 +0800

2008年Scott MacDonald发表了一篇Blog，用骰子为她制作一副肖像画,他把一幅肖像画量化成不同点数的色子，用色子摆放成了一幅肖像画。如下图：

他用了2560（40x60）个16mm的色子，制作了一个64cmx96cm的色子肖像，如下图：

他用的是Prossing语言编写的程序。近期正在学习Python，就尝试用Python来实现这一功能。

思路是先对图像进行灰度处理，然后把图片分割成16x16像素的单元图块，再对图块中256个点的灰度取平均值，对平均值分组用1-6数值代替。色度值范围0-255，亮度从深到浅，颜色从黑到白。数值1-6对应色子的点数，对于黑底白点的色子，色度值和点数正比例关系，对于白底黑点的色子，色度值和点数反比例关系。最后按色子点数做出图。

我用了三种16x16的图块，如下：

灰度色块：

黑底白点色子：

白底黑点色子：

利用Python的PIL库（Python Image Library）以及numpy数组库，能够很容易的完成功能。

首先是加载库文件，打开图片，对图片灰度处理，并计算要分割图块的数量

#加载库文件

from PIL import Image, ImageDraw import numpy as np #载入色子图片，1.png-6.png，代表色子点数 dice =[] for i in range(6): dice.append(Image.open(str(i+1)+’.png’)) #载入肖像图片 im = Image.open(“cecilia.png”) im=im.convert(“L”) width,hight =im.size x_max = int (width/16) y_max = int(hight/16)

分割图片为16x16图块，并计算点的色度平均值

image_data = np.ones(y_maxx_max).reshape(y_max,x_max) block_data = np.ones(1616).reshape(16,16) dice_data = np.ones(y_maxx_max).reshape(y_max,x_max) for j in range(y_max): for i in range(x_max): b=im.crop( (i16,j*16,(i+1)*16,(j+1)*16))#获得16x16图片 sum_x=0 for ii in range(16): for jj in range(16): block_data[jj,ii]=b.getpixel((ii,jj)) image_data[j,i]=int(np.mean(block_data))

根据色块的平均值分配色子图块：

#定义色度分组值

p = [45,65,80,95,130,155] if (image_data[j,i]<p[0]): n = 5 elif (image_data[j,i]>=p[0]) and (image_data[j,i]<p[1]): n = 4 elif (image_data[j,i]>=p[1]) and (image_data[j,i]<p[2]): n = 3 elif (image_data[j,i]>=p[2]) and (image_data[j,i]<p[3]): n = 2 elif(image_data[j,i]>=p[3]) and (image_data[j,i]<p[4]): n = 1 else: n = 0 im.paste(dice[n],(i16,j16)) dice_data[j,i] = n+1

这里p1p6是对0255的色度值划分到1-6的分组值。生成处理后的图片，及显示图片

im.save(‘small_ceciliaw.png’) im.show()

将色子点数写入文件

f = open(‘cecilia_dice_data.txt’,‘wt’) for y in range(y_max): f.write((str(y+1)+’:’)) for x in range(x_max): f.write(str(dice_data[y,x])+’,’) f.write(’\n’) f.close()

按以上方法生成了三种处理后的图片，第一个是原图，第二个是灰度色块，第三个是黑底白点，第四个是白底黑点。如下图：

所用原始图片的大小为1120x1584，一共生成色子数量为70x99=6930块,若用8mm的色子制作，大小为56cmx79.2cm。亚洲人的面部没有欧洲人立体感强，选择照片时需挑选立体感强，色差比较鲜明的图片，这样，分辨率可以低一些，色子的数量可以减少一些。另外，1-6的分组值也需要进一步优化。下图是分辨率变化的情况。

这个项目正在进行中，等色子及图框到后再把制作的全过程展示一下。

续：

购买了2000个色子，用纸盒盖子做框，摆成一个肖像，远看效果好些

源代码放到了GitHub上，做了些改动，采用opencv做图像处理。