颜色量化算法

Question

我正在研究一种颜色量化算法。

这是基本流程：

• 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。
  • 一分为二。
  • 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。
• 计算由每个向量与均值向量之间的绝对差值组成的向量。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，使用此法线二将集合分成两组。

这基本上可行，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？

Answer 1

问题在于您的算法很大程度上取决于初始集合。因为您只拆分集合，所以如果彼此非常接近的两个点恰好在开始时位于不同的集合中，它们将始终位于不同的集合中。这不好。

所以是的 - 这比 k-means 算法更糟糕。

Answer 2

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。
但是，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。

Top 6 color quantization algorithms.

这里有一些输出示例：

原图：

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：


原图：

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。 它也是学习机器学习的一个机会。

Answer 3

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