基于颜色对的色彩量化算法

提出了一种新颖的基于颜色对的色彩量化算法。综合考虑了色彩层次感和关键细节的要求,并且可以根据具体色彩量化任务的要求,对它们的偏重性做出调整,以得到最满意的量化结果。     

一种基于颜色聚类特征的色彩量化算法

色彩量化是数字图像处理中的基本技术之一 ,因此得到广泛的研究与应用 .提出了一种基于颜色聚类特征的色彩量化方法 .该算法采用分层聚类技术 ,具有简单易行 ,运行速度快 ,色彩量化质量高等特点 ,是一种较好的色彩量化方法     

一种基于K-means的色彩量化快速算法

用K-means算法量化彩色图象能够取得很好的视觉效果,但由于初始聚类中心选取的任意性,导致迭代次数过多,运行时间过长.本文提出的色彩量化算法在吸取K-means算法的迭代思想的基础上,借鉴统计学原理,选取出现频率最高且在色彩空间相互之间距离大于某一阈值的一组颜色作为初始聚类中心.这样既保留了输入图象的主颜色,又尽可能多地表达更加丰富的颜色.实验表明在有效保证量化后图象的质量的同时,该算法能使运行效率得到明显地改进.     

一个基于链表的快速色彩量化算法

为了提高色彩量化算法的质量和速度,作者考虑在设计调色板的过程中充分利用分裂算法的快速性和聚类算法的准确性,试图改进像素匹配过程,然后在其基础上提出一个新的实时色彩量化算法.该算法将图像中的所有颜色按照其出现次数的大小排列成一个数据结构链表.整个色彩量化过程可视为关于该链表的一系列操作.实验结果表明,该算法能够获得期望的...     

结合Gamma修正的色彩量化新算法

色彩量化的最终目的是使得视觉效果上的最化图像与原图像的差别（即失真）最小，量化的应用又对算法效率提出很高的要求，文中提出一种结合Gamma修正的量化算法，速度明显快于中位切分等以往算法，并且量化图像的质量近似于，甚至部分视觉效果优于这些算法，该算法是一种切实有效的图像量化方法，它在计算复杂度和量人结果的精确度上进行了折衷。     

关于色彩量化的一种算法

描述了一种色彩量化算法。作为对Herkbert的中点切割法的一种改进，本算法考虑到图像色彩的出现频率，以及图象色彩分量在颜色空间的分布情况。     

一种特征加权FCM算法的图像重建技术研究

针对传统FCM(Fuzzy C-means)算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的FCM聚类算法.通过在RGB(Red Green Blue)色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心.实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义.

Abstract：

Aiming at a defect on randomness of the initial clustering center choosing and sensitivity of initial value in tradition FCM(fuzzy C-means) algorithm, a clustering algorithm about FCM of weighted color space based on evolutionary strategy is proposed. By interposing weighted matrix in RGB(Red Green Blue) color space, the color's inhomogeneous is compensated. And by using a statistics clustering algorithm of minimal maximal distance, clustering center is initiated. The experimental results show that the algorithm can decrease effectively the mean square deviation of color quantization, keep overall arrangement of ideas and part characteristic detail in image reconstruction, and has practical value to the study of the image process technology.     

一种特征加权的聚类算法框架

为了考虑数据各维特征对聚类的不同贡献,并把有监督特征评价方法应用到无监督分类问题中,提出一种特征加权的聚类算法框架.该框架首先通过某种聚类算法对数据聚类,然后,根据聚类结果,采用有监督特征评价方法学习各维特征的权值,再根据特征权值重新聚类,之后再次学习特征权值,该过程反复迭代,直至算法收敛或达到指定的迭代次数.欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架.基于本框架,采用模糊C均值聚类算法(FCM)、密度聚类算法(DBSCAN),并通过信息增益特征评价、ReliefF特征评价方法,对多个UCI数据集进行了实验,验证了该框架的有效性.     

一种用于色彩量化的调色板快速搜索算法

为加快色彩量化中色彩映像过程的计算速度,提出了一种等范数等加和调色板搜索算法ENESPS。该算法选择与待映射像素色彩矢量的范数最接近的调色板色彩作为初始搜索点,然后利用范数限定条件和加和限定条件来缩小调色板搜索范围。实验结果表明,相对于其他一些搜索方法,ENESPS能有效缩短平均搜索长度,并明显减少色彩量化所需的计算时间。     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．     

平均误差向量加速的[K]-Means色彩量化方法

针对[K]-Means色彩量化方法在运行时间上过于冗长的问题,提出一种用平均误差向量加速的色彩量化方法。随机生成[K]种色彩作为初始的调色盘,用该调色盘对欲量化的图像进行一次量化。根据量化后的版本,计算其每个颜色分量的量化误差,获得平均误差向量。用该平均误差向量对调色盘进行更新,获得另一更优的调色盘。通过若干次迭代运算,获得最终收敛的调色盘,并用该调色盘进行最后的色彩量化。实验结果表明,该加速算法能对[K]-Means量化方法平均加速70~150倍,同时,原有[K]-Means方法的量化效果还得到了保持。     

A Hybrid Color Quantization Algorithm Incorporating a Human Visual Perception Model

Color quantization is a common image processing technique where full color images are to be displayed using a limited palette of colors. The choice of a good palette is crucial as it directly determines the quality of the resulting image. Standard quantization approaches aim to minimize the mean squared error (MSE) between the original and the quantized image, which does not correspond well to how humans perceive the image differences. In this article, we introduce a color quantization algorithm that hybridizes an optimization scheme based with an image quality metric that mimics the human visual system. Rather than minimizing the MSE, its objective is to maximize the image fidelity as evaluated by S‐CIELAB, an image quality metric that has been shown to work well for various image processing tasks. In particular, we employ a variant of simulated annealing with the objective function describing the S‐CIELAB image quality of the quantized image compared with its original. Experimental results based on a set of standard images demonstrate the superiority of our approach in terms of achieved image quality.     

一种基于粒子群算法的色彩量化方案

为提高色彩量化算法的效率,基于求解实优化问题时粒子群算法优于遗传算法这一事实,在基于遗传算法的色彩量化算法的基础上,设计了相应的适应度函数,给出了一种基于粒子群算法的色彩量化方案,并通过量化实例对算法的性能进行了比较。实验结果显示,基于粒子群优化算法的色彩量化方法在收敛速度方面明显优于基于遗传算法的色彩量化方法。     

Color Space Quantization for Color-Content-Based Query Systems

Color histograms are widely used in most of color content-based image retrieval systems to represent color content. However, the high dimensionality of a color histogram hinders efficient indexing and matching. To reduce histogram dimension with the least loss in color content, color space quantization is indispensable. This paper highlights and emphasizes the importance and the objectives of color space quantization. The color conservation property is examined by investigating and comparing different clustering techniques in perceptually uniform color spaces and for different images. For studying color spaces, perceptually uniform spaces, such as the Mathematical Transformation to Munsell system (MTM) and the C.I.E. L*a*b*, are investigated. For evaluating quantization approaches, the uniform quantization, the hierarchical clustering, and the Color-Naming-System (CNS) supervised clustering are studied. For analyzing color loss, the error bound, the quantized error in color space conversion, and the average quantized error of 400 color images are explored. A color-content-based image retrieval application is shown to demonstrate the differences when applying these clustering techniques. Our simulation results suggest that good quantization techniques lead to more effective retrieval.     

视觉显著性的八叉树颜色量化方法

针对彩色图像颜色量化过程中整体层次与局部细节之间存在的问题,提出视觉显著性的八叉树颜色量化方法。将视觉注意机制引入图像颜色量化中,分析视觉显著性模型获取视觉显著图方法及理论,根据八叉树颜色量化方法中对细节量化不足的缺陷,结合显著图进行颜色频度统计,增加视觉显著区域的颜色频度。将该方法与八叉树颜色量化图像进行比较验证,可见量化后的颜色具有丰富的层次感,图像细节失真度降低,轮廓清晰。     

基于蚁群优化算法的彩色图像颜色聚类的研究

颜色聚类是计算机视觉和图形学中基本的处理问题 .提出了蚁群聚类算法在彩色图像颜色聚类中应用的新思路 .根据蚁群 pick- drop机制的基本原理 ,提出了在 RGB彩色空间中 ,改进的蚁群算法在彩色图像像素的颜色值聚类中的应用 ,最后进行像素的颜色映射 ,从而完成量化工作 .实验表明 ,采用该算法进行色彩的量化更具鲁棒性 ,颜色失真小 ,同时实现简单     

基于谱聚类的两阶段颜色量化算法

颜色量化是进行图像处理和图像分析的重要技术之一,可以被广泛地应用到图像分割、图像压缩和图像识别中。首先利用高效的二分K均值聚类进行粗略量化,然后使用基于加权距离的谱聚类进行再次量化。实验结果表明,和其他常见量化算法相比,两者的结合使得新方法在运算速度和量化质量上都取得了不错的结果,而加权距离的引入,有效地解决了传统算法将包含像素个数少但重要的颜色进行错划分的问题。