颜色量化算法

Question

我正在研究一种颜色量化算法。

这是基本过程：

• 将图像转换为一组三维向量（例如RGB空间）。
• 将该集合放入集合列表中。
• 虽然列表中的集数小于您想要的颜色数：
  • 从列表中删除最差的一组。
  • 将其分成两部分。
  • 在列表中添加两个新集。
• 完成。

我所说的“最差集合”是指每个向量与平均向量之间的累积距离越大的集合。

这就是我“分裂一套”的方式：

• 通过添加所有向量并除以向量计数来计算平均向量。
• 计算由每个向量和平均向量之间的绝对差异组成的向量。归一化它，我们得到了一个平面的法线，它将我们的向量集分成两个相等的一半。
• 使用此普通法将两组分组，具体取决于向量所属平面的哪一侧。

这基本上可行，但是图像调色板看起来很奇怪，就像从线性渐变中挑选出来一样......

我的算法是否错误？有人可以帮忙吗？

Answer 1

问题是你的算法在初始集上依赖很多。因为您只拆分集，如果两个彼此非常接近的点恰好在开头处于不同的集合中，则它们将始终处于不同的集合中。这不好。

所以是的 - 这比k-means算法更糟糕。

Answer 2

我没有看到这比k-means算法更好。也许你应该只做普通的k-means。

Answer 3

颜色量化的第一步是从N种颜色中选择代表性的K颜色 然而，对于具有如此多颜色的图像，一些渐变/条带问题是不可避免的 然后误差扩散和抖动通过使用可用颜色近似不可用的颜色，通过混合和匹配可用颜色以模仿不可用的颜色来实现。

Top 6 color quantization algorithms。

这里有一些输出示例：

原始图片：

NeuQuant神经网络量化算法减少到256色：

Xialoin Wu的快速最佳色彩量化算法降低到256色：


原始照片：

NeuQuant神经网络量化算法减少到256色：
通过成对最近邻量化算法减少到256色：

读者可以看到误差扩散的编码和抖动在前5种颜色量化算法中非常相似。
每种算法都有自己的优点。我分享了颜色量化的来源，以便进一步讨论和改进 这些源代码是用C ++编写的，以获得最佳性能。 它也是学习机器学习的开端。