颜色量化 matlab,OpenCV中的快速颜色量化

有很多方法可以量化颜色。这里我描述四个。在

均匀量子化

这里我们使用的是一个颜色均匀分布的颜色图，不管它们是否存在于图像中。在MATLAB语言中，你可以写qimg = round(img*(N/255))*(255/N);

将每个通道量化为N级(假设输入在范围[0255]内)。您还可以使用floor，这在某些情况下更合适。这导致N^3不同的颜色。例如，使用N=8可以得到512种唯一的RGB颜色。在

K均值聚类

这是生成自适应调色板的“经典”方法。显然这将是最贵的。OP正在对所有像素的集合应用k-means。相反，k-means可以应用于颜色直方图。这个过程是相同的，但是不是1000万个数据点(现在的典型图像)，你可能只有32^3=3.3万。在处理自然照片时，由于直方图的减少而导致的量化效果很小。如果你量化一个图，它有一个有限的颜色集，你不需要做k-均值聚类。在

您只需对所有像素进行一次扫描，即可创建直方图。接下来，运行常规的k-means聚类，但要使用柱状图单元。每个数据点现在也有一个权重(在那个箱子里的像素数)，你需要考虑这个权重。算法中确定簇中心的步骤受到影响。您需要计算数据点的加权平均值，而不是常规平均值。在

结果受初始化的影响。在

八叉树量化

八叉树是一种用于空间索引的数据结构，在这种结构中，通过将每个轴对分，将卷递归地分为8个子卷。因此，树由节点组成，每个节点有8个子节点。对于颜色量化，RGB立方体用八叉树表示，并计算每个节点的像素数(这相当于构建一个颜色直方图，并在此基础上构建一个八叉树)。接下来，叶节点被移除，直到剩下所需数量的叶节点。删除叶节点一次发生8个，这样一个节点上一级就变成了一个叶子。有不同的策略来选择要修剪的节点，但它们通常围绕着低像素数的节点进行修剪。在

这是Gimp使用的方法。在

因为八叉树总是从中间拆分节点，所以它不如k-means聚类或下一种方法灵活。在

最小方差量化

OP提到的MATLAB's ^{}进行统一量化，他们称之为“最小方差量化”：Minimum variance quantization cuts the RGB color cube into smaller boxes (not necessarily cubes) of different sizes, depending on how the colors are distributed in the image.

我不知道这意味着什么。This page没有提供更多信息，但它的图形看起来像是RGB立方体的k-d树分区。K-d树是一种空间索引结构，它递归地将空间数据分成两半。在每一个级别上，选择间隔最大的维度，并沿该维度拆分，从而产生一个额外的叶节点。与八叉树不同的是，分裂可以发生在一个最佳位置，而不是在节点的中间。在

使用空间索引结构(k-d树或八叉树)的优点是颜色查找非常快速。从根节点开始，根据R、G或B值进行二进制决定，直到到达叶节点。不需要像k-means那样计算到每个原型集群的距离。在

[两周后编辑]我一直在考虑一个可能的实现，并且came up with one。算法如下：全色直方图被视为一个分区。这将是k-d树的根，它现在也是叶节点，因为还没有其他节点。在

将创建优先级队列。它包含k-d树的所有叶节点。优先级由沿着一个轴划分，减去两半的方差，如果我们要沿着这个轴分割分区。选择分割位置，使两半的方差最小(使用Otsu算法)。也就是说，优先级越大，我们通过分割减少的总方差就越多。对于每个叶节点，我们计算每个轴的该值，并使用最大的结果。在

我们在队列上处理分区，直到获得所需的分区数：

我们沿着轴分割优先级最高的分区，并在确定优先级时计算的位置。在

我们计算两部分的优先级，并将它们放入队列中。在

这是一个相对简单的算法，当这样描述时，the code稍微复杂一些，因为我试图使其高效但通用。在

比较

在256x256x256的RGB直方图上，我比较了k均值聚类和这个新算法，得到了这些时间：

^{pr2}$

注意，k-means需要更多的迭代，因为集群的数量增加，因此指数时间增加。通常人们不会使用这么大的柱状图，我希望有大的数据，以使计时更稳健。在

以下是应用于测试图像的这三种方法的示例：

输入：

统一使用N=4导致多达64种不同的颜色[使用N=2得到8种不同的颜色，与其他方法相比，结果非常难看]：

8种颜色的K-均值：

新的8种颜色的“最小方差”：

我更喜欢最后一个结果，而不是K-means结果，尽管它们相当相似。在