3

我正在研究颜色量化算法。

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。
  • 虽然列表中的套数少于您想要的颜色数：
    • 从列表中删除最差的集合。
    • 把它一分为二。
    • 在列表中添加两个新集。
  • 完毕。

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较大的集合。

这就是我“拆分集合”的方式：

  • 通过将所有向量相加并除以向量计数来计算平均向量。
  • 计算由每个向量与平均向量之间的绝对差组成的向量。对其进行归一化，我们得到一个平面的法线，将我们的向量集分成相等的两半。
  • 根据向量属于平面的哪一侧，使用这个法线二将集合分成两组。

这基本上是可行的，但图像调色板看起来很奇怪，就像从线性渐变中挑选出来的......

我的算法完全错误吗？有人可以帮忙吗？

4

3 回答 3

3

问题是您的算法很大程度上取决于初始集。因为您只拆分集合，所以如果彼此非常接近的两个点在开始时恰好位于不同的集合中，它们将始终位于不同的集合中。情况不妙。

所以是的 - 这比 k-means 算法差。

于 2011-08-26T11:01:50.277 回答
2

颜色量化的第一步是从N种颜色中选择具有代表性的K种颜色。
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用可用颜色近似不可用颜色，通过以模仿不可用颜色的方式混合和匹配可用颜色来工作。

前 6 种颜色量化算法。

这里有一些输出示例：

原始图像： 通过 NeuQuant 神经网络量化算法 减少到 256 色：通过 Xialoin Wu 的快速最优颜色量化算法减少到 256 色： 原始照片： 通过 NeuQuant 神经网络量化算法 减少到 256 色：通过 Pairwise Nearest 减少到 256 色邻域量化算法：
原始图像

通过 NeuQuant 神经网络量化算法减少到 256 种颜色

通过 Xialoin Wu 的快速优化颜色量化算法减少到 256 种颜色


原始照片
通过 NeuQuant 神经网络量化算法减少到 256 种颜色
通过成对最近邻量化算法减少到 256 种颜色

读者可以看到，前 5 种颜色量化算法中误差扩散和抖动的编码非常相似。
每种算法都有自己的优势。我分享颜色量化的来源，以邀请进一步讨论和改进。
此类源代码是用 C++ 编写的，以获得最佳性能。它还可以作为学习机器学习的机会。

于 2018-03-01T14:48:04.113 回答
1

我看不出这比 k-means 算法更好。也许你应该只做常规的k-means。

于 2011-08-26T10:39:06.500 回答