用于将真彩色图像降级为索引图像的八叉树算法

　　　本文介绍的内容，是用八叉树法降级一个真彩色图像（BPP=16以上）。这也是某公司在今年校园招聘中的笔试中的最后一道题目。我参考了 Jeff Prosise 所写的这篇文章（见参考资料），然后修改了他提供的范例的源码，使能够更好的演示该算法，同时我也添加了绘制八叉树的代码，可以直观的看到八叉树的形态。

　　　　索引图像的尺寸比真彩色图像可以大幅降低，保存为256色索引图像大约只有真彩色图像的1/3 （bpp = 24） 或 1/4 （bpp = 32），因为表示每个像素的数据从3或4个字节减少到1个字节。如果保存为16色索引图像则还能减小一半尺寸，不过16色图像的质量相比真彩图像实在过低，一般除非硬件限制（比如TC那样的图形模式下），在现在的条件下是很少再会用到的。它可以用在需要降级图像质量的场合，例如，如果我们生成一个图标，根据提供真彩色图像，然后根据此图像创建出的其他质量等级的图标图像。

 

　　　　【原创性声明】

　　　　本文提到的算法和原始范例的源码来自参考文献。以下部分属于我增加的代码：

　　　　（a）对八叉树的绘制以及生成动画；

　　　　（b）在不需要修改显示器模式的条件下展示八叉树算法生成的索引图像（原范例需要先把显示器调整为256色模式才能看到效果）；

　　　　（c）把真彩色位图通过八叉树算法保存为 BMP 索引位图文件。

 

　　　　对该算法的介绍请参考 Jeff Prosise 的文档，是英文的，那篇文章中讲解了该算法的核心思想，我在这里不做重复介绍。根据文档的内容，八叉树算法最早是在1988, M. Gervautz 和 W. Purgathofer 发表的论文《A Simple Method for Color Quantization: Octree Quantization.》中首次介绍的。这个算法非常简洁优美，其优美之处在于从一副具有很多色彩的图像中，提取出最能完美表达该图像颜色的调色板的过程。这个过程就是一个八叉树的生长和节点合并的过程。该算法的最大优点是效率高，占用内存少（仅需要不超过 颜色数量+1 个节点，加上一些中间节点所占用的内存），选出的调色板最合理，显示效果最好。比流行方法（扫描图像然后取最多像素数量的颜色组成调色板）好很多。下图就是从我修改后的范例的展示出来的结果而来，我重新排列了一下图像：

 

　　　　

 

　　　　为了我想要的展示，我调整了原来范例的代码，提供了一个根据真彩色位图，创建出八叉树的代码，该代码主要来源于原来的范例，该算法的核心是用RGB通道的相应的位组成子结点的索引（从高位开始提取RGB分量中的位），来让树生长。遍历图像的像素，根据当前像素的RGB分量导航到一个叶子节点（如果不存在则创建它），然后把当前像素的RGB分量累加到该节点的相应Sum值，并使节点代表的像素数量递增。每当叶子节点数量（代表一种颜色）超出最大颜色数量时，就选出一个最深的非叶子节点，将其收缩为叶子节点，最终的颜色值是用RGB分量的总和除以该节点代表的像素数量来得到的。可见，在多个相近的不同颜色降级成用同一个调色板颜色来表示时，调色板颜色是在它们之间取了一个加权平均（这种加权平均使原图中的一些“平滑渐变”变成了色带，例如上图中女模特面部的“等高线”效果），以达到表达图像本质的最佳效果。该算法中不需要统计整个图像的直方图也不需要排序，所以不会产生较大的内存需求。尽管真彩色图像可能具有大量的像素，大量的颜色数量，但它的颜色信息被集中统计在一颗较小的树的叶子节点上，该树的动态调整策略使得它总是反应着当前时刻的最佳选择，遍历像素时，结果以非常完美的方式进行“积累”（你不必担心统计结果被覆盖而不得不申请更多独立空间），这正是算法的优美之处。（代码中引用到的某些辅助方法在此省略）：

 

 

code_BuildOctree