一種基于密度峰值的顏色量化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種顏色量化方法。特別是涉及一種基于密度峰值的顏色量化方法。
【背景技術(shù)】
[0002] 顏色量化（colorquantization，CQ)是一種降低數(shù)字彩色圖像顏色種類，同時 使重構(gòu)圖像保持良好視覺效果的方法。真彩色圖像的顏色有上千萬種，這給它們的存儲、 傳輸、顯示、處理帶來了很大的困難。例如，對于一幅中等分辨率的真彩色圖像（分辨率 640X480, 24bit/像素）而言，它能表現(xiàn)出1600多萬種顏色，比特數(shù)為640X480X24 = 7. 37Mb，需占約0. 9MB的存儲空間。通過顏色量化減少顏色種類，能夠降低圖像的編碼位 數(shù)，從而有益于圖像的存儲、傳輸和顯示。除此之外，顏色量化還減小了圖像的特征空間，從 而有益于圖像識別和檢索。
[0003] -般來說，顏色量化包含兩步：調(diào)色板設(shè)計和圖像編碼。調(diào)色板設(shè)計就是找出一組 具有代表性的顏色來代表原始圖像中的顏色值，這組顏色的種類數(shù)遠小于原始圖像。通常， 24bit的顏色能夠降至8bit，甚至更低。圖像編碼也叫做像素映射，是把原始圖像中的像素 映射為調(diào)色板中的像素。編碼后圖像的顏色種類減少，編碼位數(shù)降低，從而達到圖像壓縮的 目的。
[0004] 對于顏色量化而言，調(diào)色板的設(shè)計最為重要，是決定整個系統(tǒng)性能的關(guān)鍵。根據(jù)它 的不同可以將顏色量化大致分為兩類，與圖像無關(guān)的方法和與圖像相關(guān)的方法。與圖像無 關(guān)的方法不考慮單幅圖像的具體特性，設(shè)計的調(diào)色板對任何圖像都是固定的。雖然這種方 法的算法復(fù)雜度低，運行速度快，但是沒有考慮圖像的具體特征，量化后重構(gòu)效果較差。因 此，大多數(shù)的研宄都著眼于與圖像相關(guān)的方法。
[0005] 與圖像相關(guān)的方法的主要難點在于平衡算法復(fù)雜度和量化效果，根據(jù)所 選聚類方法的不同，可以大致分為兩類，前向聚類（pre-clustering)和后向聚類 (post-clustering)。前向聚類一般基于對顏色分布的統(tǒng)計分析，其中重要的兩大類是分 裂式方法和聚合式方法。分裂式方法首先定義一個包含所有顏色的類別，然后遞歸地細分 成K個類別。常見的方法有中位切分（median-cut)、八叉樹（octree)、基于方差的方法 (variance-basedmethod)等。聚合式方法先定義N個只包含一個元素的類別，然后不斷聚 合直至留下K個類別。
[0006] 前向聚類生成調(diào)色板是一次完成的，而后向聚類則是先定義一個初始調(diào)色板，然 后逐次迭代，改進調(diào)色板。典型的方法有k均值（k-means)、k調(diào)和平均數(shù)（k-harmonic means)、競爭學(xué)習(xí)（competitivelearning)等。和前向聚類相比，后向聚類的量化效果要 更好，因為它們涉及到了循環(huán)迭代或隨機優(yōu)化的步驟，但同時計算時間也有所增加。
[0007] 峰值密度是AlexRodriguez和AlessandroLaio提出的一種新的聚類方法 (Science，2014)。它的基本思想是，聚類中心點和它們的相鄰點相比有更大的密度，并且和 具有更大密度的點（其他聚類中心點）之間距離相對較遠。這是一種基于密度的方法，算 法的基礎(chǔ)是樣本點之間的距離。和經(jīng)典的聚類方法k均值不同，它可以檢測到非球形的聚 類結(jié)構(gòu)，而且能自動找出合適的聚類數(shù)。除此之外，和后向聚類方法相比，峰值密度不用指 定初始值，也不用通過循環(huán)迭代來達到收斂，聚類過程更加魯棒。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明所要解決的技術(shù)問題是，提供一種在調(diào)色板設(shè)計中采用峰值密度的思想， 以達到良好的量化效果，并使得整個過程更加靈活、魯棒的基于密度峰值的顏色量化方法
[0009] 本發(fā)明所采用的技術(shù)方案是：一種基于密度峰值的顏色量化方法，包括如下步 驟：
[0010] 1)設(shè)圖片包含N個像素點，計算像素點兩兩之間的歐氏距離dyi，」=1，2，...， N，構(gòu)造距離矩陣D=
[0011] 2)設(shè)定截止距離d。，根據(jù)距離矩陣D，計算各個像素點的局部密度pi:
[0013] 其中，如果dij-d^O,則x(dij-d。）= 1 ;否貝1」，x(dij-d。）= 0 ;這樣計算得到的每 個像素點的局部密度Pi，也就是這個像素點所在的截止距離d。范圍之內(nèi)的像素點的數(shù)目； [0014] 3)根據(jù)各像素點的局部密度Pp對于每一個像素點，找出所有局部密度比它大的 像素點，再根據(jù)距離矩陣D，找出所述像素點和局部密度比它大的像素點之間的歐氏距離， 并定義其中的最小歐氏距離為\，即
[0015] 4)計算每一像素點的參數(shù)yi=piS^并將所有參數(shù)yjf序排列，選擇前K個 參數(shù)Yi所對應(yīng)的像素點作為聚類中心點，其中K是大于1的整數(shù)；
[0016] 5)對于第K個像素點之后的每個像素點，分別根據(jù)步驟3)的計算結(jié)果找出最小 歐式距離所對應(yīng)的像素點，并根據(jù)所述像素點的最小歐式距離將所述像素點歸類于步驟 4)中所述的聚類中心點中所對應(yīng)的那一類，然后用每一類的像素平均值代表該類所有像素 值，完成顏色量化。
[0017] 步驟2)所述的截止距離d。是將步驟1)中獲得的歐氏距離由小至大排列，取排列 中第NX0. 02個距離為截止距離d。，其中，N為像素點的個數(shù)。
[0018] 本發(fā)明的一種基于密度峰值的顏色量化方法，具有以下特點：
[0019] (1)魯棒性：峰值密度屬于前向聚類方法，一次就可以完成。而k-means等后向聚 類方法，需要先設(shè)定初始值，然后迭代直至收斂，從而出現(xiàn)因為初始點選擇不當而陷入局部 最優(yōu)的情況。
[0020] (2)有效性：通過與其他顏色量化方法相比較，本發(fā)明表現(xiàn)出良好的性能，能夠有 效而魯棒地進行顏色量化。
[0021] (3)靈活性：峰值密度既能根據(jù)實際要求人為指定聚類數(shù)，又能根據(jù)樣本具體情 況，由y差值自動確定，從而能夠靈活地滿足不同需求。
【附圖說明】
[0022] 圖1是像素點的分布圖，像素點的標號按密度遞減排列；
[0023] 圖2是圖1所對應(yīng)的決策圖。
【具體實施方式】
[0024] 下面結(jié)合實施例和附圖對本發(fā)明的一種基于密度峰值的顏色量化方法做出詳細 說明。
[0025] 本發(fā)明的一種基于密度峰值的顏色量化方法，