CN105608673B - 图像颜色量化与抖动方法和系统 - Google Patents
图像颜色量化与抖动方法和系统 Download PDFInfo
- Publication number
- CN105608673B CN105608673B CN201510946189.8A CN201510946189A CN105608673B CN 105608673 B CN105608673 B CN 105608673B CN 201510946189 A CN201510946189 A CN 201510946189A CN 105608673 B CN105608673 B CN 105608673B
- Authority
- CN
- China
- Prior art keywords
- pixel
- color
- color plate
- input image
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013139 quantization Methods 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 239000003086 colorant Substances 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 63
- 230000002146 bilateral effect Effects 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种图像颜色量化与抖动的方法，所述方法包括：对输入图像进行计算得到视觉显著性图；基于所述视觉显著性图中的像素的视觉显著性参数构建目标函数；对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板；通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。采用该方法，能够提高颜色量化后的图像质量。此外，还提供了一种图像颜色量化与抖动的系统。
Description
技术领域
本发明涉及图像处理技术，特别是涉及一种图像颜色量化与抖动方法和系统。
背景技术
颜色量化是一项能够用少量颜色(如256色或更少)表达24比特真彩色图像(超过一千六百万种颜色)，同时又能保证与原真彩色图像相似性的技术。颜色量化最终需要求得的是颜色板和像素标记图。其中，颜色板包含了最终图像中的K种颜色，像素标记图则指示每个像素选取颜色板中的第几种颜色。颜色量化技术在只支持少量颜色的显示设备和打印设备中有广泛应用，同时也是其它图像处理技术的常用预处理步骤。
传统的颜色量化方法都是基于聚类的，往往会引入很明显的伪边缘，如图12(b)所示，是采用K-means聚类方法对输入图像进行颜色量化后得到的图像。抖动是一种误差扩散的方法，可以有效的改善伪边缘的问题，如图12(c)所示，对颜色量化后的图像进行抖动处理后得到的图像能有效改善伪边缘。传统技术中，量化和抖动是两步分开的过程，优化目标不一致，得到的并不是最优的结果，因此颜色量化与抖动后得到的图像质量效果仍有待提高。
发明内容
基于此，有必要针对上述技术问题，提供一种能有效提高图像质量的图像颜色量化与抖动的方法和系统。
一种图像颜色量化与抖动的方法，所述方法包括：
对输入图像进行计算得到视觉显著性图；
基于所述视觉显著性图中的像素的视觉显著性参数构建目标函数；
对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板；
通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
一种图像颜色量化与抖动的系统，所述系统包括：
显著性处理模块，用于对输入图像进行计算得到视觉显著性图；
目标函数构建模块，用于基于所述视觉显著性图中的像素的视觉显著性参数构建目标函数；
预处理模块，用于对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板；
更新模块，用于通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
上述图像颜色量化与抖动的方法和系统，通过先对输入图像进行计算得到视觉显著性图，基于像素的视觉显著性来构建目标函数，在构建目标函数时引入了像素的视觉显著性，采用了优化的初始颜色板替代传统的随机颜色板，且在优化目标函数过程中交替的更新像素标记图和颜色板，最终得到的颜色量化的结果有着更高的图像质量。
附图说明
图1为一个实施例中图像颜色量化与抖动的方法的流程示意图；
图2为一个实施例中对输入图像计算得到视觉显著性图的效果图；
图3为一个实施例中对输入图像进行交替的中值分割和聚类算法，得到初始颜色板的流程示意图；
图4为一个实施例中中值分割的流程示意图；
图5为一个实施例中包围盒的示意图；
图6为一个实施例中通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板的流程示意图；
图7为一个实施例中图像颜色量化与抖动的系统的结构框图；
图8为一个实施例中预处理模块的结构框图；
图9为一个实施例中更新模块的结构框图；
图10为一个实施例中电子设备的内部结构图；
图11为采用高斯核和采用双边滤波核的效果对比图；
图12为现有技术中颜色量化与抖动的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，提供了一种图像颜色量化与抖动的方法，该方法可应用于各种电子设备，特别是只支持少量颜色的显示设备和打印设备中，可以实现对输入图像用少量颜色(如256色或更少)表达24比特真彩色图像(超过一千六百万种颜色)，同时又能保证与原真彩色图像的相似性。该方法包括：
步骤102，对输入图像进行计算得到视觉显著性图。
视觉显著性图，是指像素的显著性较高的图像。具体的，对输入图像可计算一张同等分辨率的视觉显著性图，显著性越高的像素代表人眼的关注程度越高。比如，对输入图像通过调整灰度、色阶或饱和度来得到对应的视觉显著性图。优选的，视觉显著性图可为输入图像对应的灰度图，通过对输入图像进行灰度处理则可得到对应的灰度图，显著性越高，则对应的像素的灰度值越高。如图2所示，示出了输入图像和对应的灰度图。
步骤104，基于视觉显著性图中的像素的视觉显著性参数构建目标函数。
具体的，在一个实施例中，步骤104中构建目标函数，目标函数中包含视觉显著性图中的像素的视觉显著性参数，以及对于像素j的量化结果的最终颜色与像素j原来的颜色之间的差值增加基于像素i和像素j的空间距离的双边滤波核的权重，其中，像素i是输入图像中的像素，像素j是输入图像中的像素i的领域中的像素。因此，对于像素总数目为N的输入图像，i和j的取值都为1～N之间的整数。
根据得到的视觉显著性图来确定像素的视觉显著性参数，例如，对输入图像通过调整灰度来得到灰度图，则像素的视觉显著性参数可为像素的灰度值；对输入图像通过调整色阶或饱和度等来得到的视觉显著性图，则像素的视觉显著性参数可为像素的饱和度等。由于目标函数中增加了像素的视觉显著性参数，使得在优化的过程中可以优先考虑视觉显著性的区域，改善图像质量。
进一步的，构建的目标函数模型中，对于像素j的量化结果的最终颜色与像素j原来的颜色之间的差值增加了基于像素i和像素j的空间距离的双边滤波核的权重。其中，像素j是指像素i的一个领域Ni中的像素。传统技术中所构建的目标函数模型中通常使用的是高斯滤波核的权重，而使用双边滤波核的权重可以避免在公式加权求和的过程中将颜色差异较大的颜色混合起来，使得方法增加了边缘敏感的特性。
步骤106，对输入图像进行交替的中值分割和聚类算法，得到初始颜色板。
具体的，对输入图像每进行一次中值分割再采用聚类算法优化聚类中心的位置以及分割的边界，在进行了一次中值分割和聚类优化后，可以根据颜色板中的每个像素当前颜色到原图颜色的距离，进一步加大加权方差较大的像素的权重，再进行中值分割和聚类优化，如此反复，直到总体的平均加权方差不再减少，最终得到初始颜色板。本实施例中，使用优化的初始颜色板来替代传统的随机颜色板，能够避免在后续优化目标函数的过程中采用逐像素局部更新容易较快陷入远离全局最优解的局部极小值的问题，从而能够有效提高颜色量化后的图像质量。
步骤108，通过优化目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
颜色量化最终得到的是像素标记图和颜色板，其中，颜色板中包含了最终图像中的k种颜色，像素标记图则指示每个像素选取颜色板中的第几种颜色。本实施例中，交替优化像素标记图和颜色板，直到目标函数不再减少，相对于同时优化像素标记图和颜色板的方式，降低了复杂度。具体的，可采用像素局部更新的方式来更新像素标记图，每更新一次像素标记图，则固定像素标记图并开始更新颜色板，如此交替进行，直到目标函数不再减少，得到最终的像素标记图和颜色板。
本实施例中，通过先对输入图像进行计算得到视觉显著性图，基于像素的视觉显著性来构建目标函数，在构建目标函数时引入了像素的视觉显著性，采用了优化的初始颜色板替代传统的随机颜色板，且在优化目标函数过程中交替的更新像素标记图和颜色板，最终得到的颜色量化的结果有着更高的图像质量。
进一步的，在一个实施例中，构建的目标函数如下：
其中，N是全图像素总数目，Ni是像素i的邻域，邻域内的像素为像素j，ti是像素i的视觉显著性参数，w′ij是基于像素i和像素j的空间距离的双边滤波核的权重，
是像素j的量化结果的最终颜色，cj是像素j原来的颜色。
具体的，在一个实施例中，像素i和像素j的空间距离的双边滤波核的权重可按照如下公式进行计算：
其中，σs和σr是预设的空间距离方差和颜色距离方差，一般取1.0和2.0，||pi-pj||表示像素i和像素j在空间上的距离，||ci-cj||表示像素i和像素j在颜色上的距离。
在一个实施例中，如图3所示，步骤106具体包括：
步骤302，对输入图像先进行中值分割，再采用K-means聚类算法优化聚类中心的位置以及分割的边界。
K-means聚类算法是典型的基于距离的聚类算法，采用聚类作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是距离靠近的对象组成的，因此得到紧凑且独立的簇作为最终目标。算法过程具体为：1)从N个数据中随机选取K个数据作为中心；2)对剩余的每个数据测量其到每个中心的距离，并把它归到最近的中心的类；3)重新计算已经得到的各个类的中心；4)迭代2～3步直至新的中心与原中心相等或小于指定阈值，算法结束。
步骤304，计算像素的加权方差，修改加权方差超过一定阈值的像素对应的权重。
本实施例中，在第一次进行中值分割过程中，赋予了每个像素一个基于视觉显著性的权重。进行了一轮中值分割和K-means聚类算法后计算像素的加权方差，并以此修改像素的权重。
比如，可按照公式∑iti||ci-cavg||2/N计算像素的加权方差，其中，ti是视觉显著性参数，比如可以是像素的灰度值，ci是像素i的颜色，cavg是包围盒内所有颜色的均值，N是包围盒内颜色的总数。
进一步的，对于加权方差超过一定阈值的像素，需要修改其对应的视觉显著性的权重。具体的，每次修改像素的该权重时，权重增量可为像素的加权方差和预设常量的乘积。优选的，预设常量为1。也就是说，每次修改像素的权重，将像素的权重增加一个像素的加权方差的量。本实施例中，每进行一轮中值分割和聚类算法后，即可根据当前结果每个像素当前颜色到原图颜色的距离，来加大误差(即加权方差)较大的像素的权重，如此反复，直到总体的平均加权方差不再减少。
步骤306，判断平均的像素的加权方差是否减少了，若是，则返回步骤302，否则进入步骤308。
具体的，判断总的平均的加权方差在本轮进行了一次中值分割和K-means聚类算法后，与在本轮进行中值分割和K-means聚类算法之前相比，是否减少了，若是，则表明还可以继续优化，返回步骤302再进行一轮中值分割和K-means聚类算法，如此交替使用中值分割和聚类算法，直到平均的像素的加权方差不再减少。若平均的像素的加权方差没有减少，则进入步骤308。
步骤308，最终得到初始颜色板。
具体的，在一个实施例中，如图4所示，对输入图像进行中值分割的过程为：
步骤402，对输入图像中的每个像素赋予基于视觉显著性的权重。
步骤404，在RGB颜色空间设置一个初始包围盒将图像中的颜色包含在其中。如图5所示，在RGB空间中可设置一个初始包围盒将图像中的所有颜色包含在其中。
步骤406，迭代地进行包围盒选取以及包围盒分割，每次选取加权方差最大的包围盒，并沿着包围盒最长边所在轴的方向，找到包围盒内的中位数，以中位数为界将包围盒一分为二。
本实施例中，如图5所示，包围盒最长边沿着R轴方向(RGB颜色空间)，因此沿着R轴方向找到包围盒内所有颜色R这一维数值的中位数，再以该中位数为界将包围盒一分为二。对分割后得到的包围盒再选取加权方差最大的包围盒以及分割选取的包围盒，最终可得到与目标量化颜色数目相等的包围盒。
步骤408，最终得到与目标量化颜色数目相等的包围盒，选取每个包围盒的中心点作为颜色板的颜色。
进一步的，由于中值分割的边界是规则的垂直于轴方向的平面，因此中值分割后可采用K-means聚类算法优化聚类中心点位置以及分割的边界。由于K-means聚类算法为传统的聚类算法，在此则不再赘述。
本实施例中，使用优化的初始颜色板来替代传统的随机颜色板，能够避免在后续优化目标函数的过程中采用逐像素局部更新容易较快陷入远离全局最优解的局部极小值的问题，从而能够有效提高颜色量化后的图像质量。通过交替使用中值分割和聚类算法，能够得到优化的初始颜色板，在后续优化目标函数的过程中即使采用的是逐像素局部更新，也能够获得很好的图像效果。
在一个实施例中，如图6所示，步骤108具体包括：
步骤602，固定颜色板中的颜色，用逐像素局部更新的方法更新像素标记图。
本实施例中，对于初始颜色板则固定的是初始颜色板中颜色，后续每次更新像素标记图则固定上次更新的颜色板中的颜色。逐像素局部更新的方法是指对输入图像的每个像素，固定其它像素的颜色，对目标函数进行优化得到该像素的颜色。
具体的，在一个实施例中，用逐像素局部更新的方法更新像素标记图的步骤，包括：对于输入图像中的每一个像素，固定颜色板中的其它像素的颜色，从颜色板中选择导致目标函数取最小值的像素颜色，得到更新一次的像素标记图。像素标记图指示了每个像素选取颜色板中的第几种颜色。本实施例中，对于输入图像中的每一个像素，固定颜色板中的其它像素的颜色，再从颜色板P从选取导致目标函数E最小的i像素颜色
表示i像素从颜色板P从对应第几个颜色。从而对于每个像素都可以做一次更新，得到更新后的像素标记图。
步骤604，每更新一次像素标记图，则固定像素标记图，根据更新后的像素标记图更新颜色板，具体为：令目标函数的偏导数为零，得到一组线性方程组，求解线性方程组得到对应于当前的像素标记图最优的颜色板。
具体的，对于上述目标函数
令其偏导数为0，即：
其中，Pks是颜色板P中的第k种颜色的第s个通道。
RGB颜色空间有三个通道，分别是R(红色)通道，G(绿色)通道和B(蓝色)通道，颜色板中有k种颜色，而每个颜色具有这三种通道。得到一组线性方程组后，求解线性方程组即可得到第k个颜色值的第s个通道。因此，求解线性方程组即可得到对应于当前像素标记图的最优的颜色板。
步骤606，如此反复更新像素标记图和对应的颜色板，直到目标函数不再减少，此时得到的像素标记图和颜色板为最终的像素标记图和颜色板。
本实施例中，交替的更新像素标记图和颜色板，直到目标函数不再减少，相对于同时优化颜色板和像素标记图的方式，降低了复杂度，因此能够在提高图像质量的同时减少耗时。
如图7所示，在一个实施例中，还提供了一种图像颜色量化与抖动的系统，该系统包括显著性处理模块702、目标函数构建模块704、预处理模块706和更新模块708，其中：
显著性处理模块702，用于对输入图像进行计算得到视觉显著性图。
视觉显著性图，是指像素的显著性较高的图像。具体的，显著性处理模块702用于对输入图像可计算一张同等分辨率的视觉显著性图，显著性越高的像素代表人眼的关注程度越高。比如，对输入图像通过调整灰度、色阶或饱和度来得到对应的视觉显著性图。优选的，视觉显著性图可为输入图像对应的灰度图，通过对输入图像进行灰度处理则可得到对应的灰度图，显著性越高，则对应的像素的灰度值越高。
目标函数构建模块704，用于基于视觉显著性图中的像素的视觉显著性参数构建目标函数。
在一个实施例中，目标函数构建模块704用于构建目标函数，该目标函数中包含基于像素的视觉显著性参数，以及对于像素j的量化结果的最终颜色与像素j原来的颜色之间的差值增加基于像素i和像素j的空间距离的双边滤波核的权重，其中，像素i是输入图像中的像素，像素j是输入图像中的像素i的领域中的像素。因此，对于像素总数目为N的输入图像，i和j的取值都为1～N之间的整数。
预处理模块706，用于对输入图像进行交替的中值分割和聚类算法，得到初始颜色板。
具体的，预处理模块706用于对输入图像每进行一次中值分割再采用聚类算法优化聚类中心的位置以及分割的边界，在进行了一次中值分割和聚类优化后，可以根据颜色板中的每个像素当前颜色到原图颜色的距离，进一步加大加权方差较大的像素的权重，再进行中值分割和聚类优化，如此反复，直到总体的平均加权方差不再减少，最终得到初始颜色板。
更新模块708，用于通过优化目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
具体的，更新模块708用于采用像素局部更新的方式来更新像素标记图，每更新一次像素标记图，则固定像素标记图并开始更新颜色板，如此交替进行，直到目标函数不再减少，得到最终的像素标记图和颜色板。
进一步的，在一个实施例中，目标函数构建模块704构建的目标函数为：
其中，N是全图像素总数目，Ni是像素i的邻域，邻域内的像素为像素j，ti是像素i的视觉显著性参数，w′ij是基于像素i和像素j的空间距离的双边滤波核的权重，
是像素j的量化结果的最终颜色，cj是像素j原来的颜色。
具体的，在一个实施例中，像素i和像素j的空间距离的双边滤波核的权重可按照如下公式进行计算：
其中，σs和σr是预设的空间距离方差和颜色距离方差，一般取1.0和2.0，||pi-pj||表示像素i和像素j在空间上的距离，||ci-cj||表示像素i和像素j在颜色上的距离。
在一个实施例中，如图8所示，预处理模块706包括：
中值分割模块716，用于对输入图像中的每个像素赋予基于视觉显著性的权重；在RGB颜色空间设置一个初始包围盒将图像中的颜色包含在其中；迭代地进行包围盒选取以及包围盒分割，每次选取加权方差最大的包围盒，并沿着包围盒最长边所在轴的方向，找到包围盒内的中位数，以中位数为界将包围盒一分为二；最终得到与目标量化颜色数目相等的包围盒，选取每个包围盒的中心点作为颜色板的颜色。
具体的，包围盒最长边沿着R轴方向(RGB颜色空间)，因此中值分割模块716用于沿着R轴方向找到包围盒内所有颜色R这一维数值的中位数，再以该中位数为界将包围盒一分为二。对分割后得到的包围盒再选取加权方差最大的包围盒以及分割选取的包围盒，最终可得到与目标量化颜色数目相等的包围盒。
优化聚类模块726，用于在中值分割模块716对输入图像先进行中值分割后，再采用K-means聚类算法优化聚类中心的位置以及分割的边界，计算像素的加权方差，修改加权误差超过一定阈值的像素对应的所述权重。
交替运行模块736，用于反复交替运行中值分割模块716和优化聚类模块726，直到平均的加权误差不再减少，最终得到初始颜色板。
本实施例中，优化聚类模块726用于进行了一轮中值分割和K-means聚类算法后计算像素的加权方差，并以此修改像素的权重。
比如，优化聚类模块726可用于按照公式∑iti||ci-cavg||2/N计算像素的加权方差，其中，ti是视觉显著性参数，比如可以是像素的灰度值，ci是像素i的颜色，cavg是包围盒内所有颜色的均值，N是包围盒内颜色的总数。
进一步的，优化聚类模块726可用于对于加权方差超过一定阈值的像素，需要修改其对应的视觉显著性的权重。具体的，每次修改像素的该权重时，权重增量可为像素的加权方差和预设常量的乘积。优选的，预设常量为1。也就是说，每次修改像素的权重，将像素的权重增加一个像素的加权方差的量。
在一个实施例中，如图9所示，更新模块708包括：
像素局部更新模块718，用于固定颜色板中的颜色，用逐像素局部更新的方法更新像素标记图。
进一步的，在一个实施例中，像素局部更新模块718用于对于输入图像中的每一个像素，固定颜色板中的其它像素的颜色，从颜色板中选择导致目标函数取最小值的像素颜色，得到更新一次的像素标记图。
颜色板更新模块728，用于每更新一次像素标记图，则固定像素标记图，根据更新后的像素标记图更新颜色板，具体为：令目标函数的偏导数为零，得到一组线性方程组，求解线性方程组得到对应于当前的像素标记图最优的颜色板。
反复运行模块738，用于反复运行像素局部更新模块718和颜色板更新模块728，直到目标函数不再减少，此时得到的像素标记图和颜色板为最终的像素标记图和颜色板。
具体的，颜色板更新模块728用于对于上述目标函数
令其偏导数为0，即：
其中，Pks是颜色板P中的第k种颜色的第s个通道。RGB颜色空间有三个通道，分别是R(红色)通道，G(绿色)通道和B(蓝色)通道，颜色板中有k种颜色，而每个颜色具有这三种通道。颜色板更新模块728得到一组线性方程组后，求解线性方程组即可得到第k个颜色值的第s个通道。因此，求解线性方程组即可得到对应于当前像素标记图的最优的颜色板。
如图10所示，在一个实施例中，还提供了一种电子设备，包括通过系统总线连接的处理器、图形处理单元、存储介质、内存、显示器和输入设备，存储介质中存储有操作系统和一种图像颜色量化与抖动的系统，该图像颜色量化与抖动的系统用于执行一种图像颜色量化与抖动的方法。该处理器用于提高计算和控制能力，支撑整个电子设备的运行。电子设备中的图形处理单元用于至少提供显应用操作界面的绘制能力，内存用于为存储介质中的颜色量化与抖动的系统的运行提供环境。显示器用于各种界面的显示。输入设备可用于输入各种操作指令。进一步的，电子设备优选为支持少量颜色的显示设备和打印设备。
为了更清楚理解本发明实施例所提供的图像颜色量化与抖动的方法和系统所能达到的效果，下面以具体的实验数据来说明本发明实施例所提供的图像颜色量化与抖动的方法和系统所能达到的效果。本实验中，将本发明实施例所提出的图像颜色量化与抖动的方法与传统的Puzicha2000方法进行对比。Puzicha2000方法是Puzicha等人在2000年提出的一种基于目标函数优化协同颜色量化与抖动算法，其在目标函数中只引入了高斯滤波核的权重，所构建的目标函数为：
其中，N是全图像素总数目，Ni是像素i的邻域，邻域内的像素为像素j，wij是基于像素i和像素j的空间距离的高斯滤波核的权重，
是像素j的量化结果的最终颜色，cj是像素j原来的颜色。
本实验中，通过在不同量化颜色数目的耗时对比以及在相同量化颜色数目时误差对比来证明本发明实施例所提供的颜色量化与抖动的方法和系统的效果。表1示出了不同量化颜色数目的耗时对比，从表1可以看出，本发明相对于Puzicha2000方法明显耗时更少。当量化颜色数目达到256色时，Puzicha2000方法已经到了不能接受的20分钟，而本发明只需要不到12秒。
表1
| 颜色数目 | Puzicha2000方法 | 本发明 |
| 32 | 46s | 3.6s |
| 64 | 178s | 4.2s |
| 128 | 498s | 5.7s |
| 256 | 1225s | 11.6s |
图11示出了本发明与Puzicha2000方法的效果对比，从图11可以看出，在充分消除伪边缘的前提下，本发明与Puzicha2000方法相比，能带来更少的噪声。表2输出了相同量化颜色数目时本发明与Puzicha2000方法的误差对比，其中示出了MSE(Mean Square Error，平均平方误差)、SSIM(Structure similarity，结构相似性)和ESQE(Edge-aware SpatialQuantization Error，边缘感知空间量化误差)的对比，误差越小代表得到的颜色量化后得到的图像越接近于原图。可以看出，在这些误差对比下，本发明的视觉质量明显优于Puzicha2000方法。
表2
| 方法 | MSE | SSIM | ESQE |
| Puzicha2000方法 | 335.6 | 0.59 | 85.7 |
| 本发明 | 99.0 | 0.77 | 16.1 |
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种图像颜色量化与抖动的方法，所述方法包括：
对输入图像进行计算得到视觉显著性图；
构建目标函数，所述目标函数中包含所述视觉显著性图的像素的视觉显著性参数，以及对于像素j的量化结果的最终颜色与像素j原来的颜色之间的差值增加基于像素i和所述像素j的空间距离的双边滤波核的权重，其中，所述像素i是所述输入图像中的像素，所述像素j是所述输入图像中的所述像素i的邻域中的像素；
对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板；
通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
2.根据权利要求1所述的方法，其特征在于，所述目标函数为：
其中，N是所述输入图像的全图像素总数目，Ni是所述像素i的邻域，邻域内的像素为所述像素j，ti是所述像素i的视觉显著性参数，w′ij是基于所述像素i和所述像素j的空间距离的双边滤波核的权重，
是所述像素j的量化结果的最终颜色，cj是所述像素j原来的颜色。
3.根据权利要求1所述的方法，其特征在于，所述对输入图像进行交替的中值分割和聚类算法的步骤中，所述中值分割的过程为：
对所述输入图像中的每个像素赋予基于视觉显著性的权重；
在RGB颜色空间设置一个初始包围盒将所述输入图像中的颜色包含在其中；
迭代地进行包围盒选取以及包围盒分割，每次选取加权方差最大的包围盒，并沿着选取的所述包围盒最长边所在轴的方向，找到选取的所述包围盒内的中位数，以中位数为界将选取的所述包围盒一分为二；
最终得到与目标量化颜色数目相等的包围盒，选取每个得到的所述包围盒的中心点作为颜色板的颜色。
4.根据权利要求3所述的方法，其特征在于，所述对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板的步骤，包括：
对所述输入图像先进行中值分割，再采用K-means聚类算法优化聚类中心的位置以及分割的边界；
计算所述输入图像中像素的加权方差，修改所述加权方差超过一定阈值的像素对应的所述权重；
反复交替使用中值分割和聚类算法，直到平均的所述加权方差不再减少，最终得到所述初始颜色板。
5.根据权利要求1所述的方法，其特征在于，所述通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板的步骤，包括：
固定颜色板中的颜色，用逐像素局部更新的方法更新像素标记图；
每更新一次像素标记图，则固定所述像素标记图，根据更新后的像素标记图更新所述颜色板，具体为：令所述目标函数的偏导数为零，得到一组线性方程组，求解所述线性方程组得到对应于当前的像素标记图最优的颜色板；
如此反复更新像素标记图和对应的颜色板，直到所述目标函数不再减少，此时得到的像素标记图和颜色板为最终的像素标记图和颜色板。
6.根据权利要求5所述的方法，其特征在于，所述用逐像素局部更新的方法更新像素标记图的步骤，包括：对于所述输入图像中的每一个像素，固定颜色板中的其它像素的颜色，从所述颜色板中选择导致所述目标函数取最小值的像素颜色，得到更新一次的像素标记图。
7.一种图像颜色量化与抖动的系统，其特征在于，所述系统包括：
显著性处理模块，用于对输入图像进行计算得到视觉显著性图；
目标函数构建模块，用于构建目标函数，所述目标函数中包含所述视觉显著性图的像素的视觉显著性参数，以及对于像素j的量化结果的最终颜色与像素j原来的颜色之间的差值增加基于像素i和所述像素j的空间距离的双边滤波核的权重，其中，所述像素i是所述输入图像中的像素，所述像素j是所述输入图像中的像素i的邻域中的像素；
预处理模块，用于对所述输入图像进行交替的中值分割和聚类算法，得到初始颜色板；
更新模块，用于通过优化所述目标函数以交替的更新像素标记图和颜色板，得到最终的像素标记图和颜色板。
8.根据权利要求7所述的系统，其特征在于，所述目标函数为：
其中，N是所述输入图像的全图像素总数目，Ni是所述像素i的邻域，邻域内的像素为所述像素j，ti是所述像素i的视觉显著性参数，w′ij是基于所述像素i和所述像素j的空间距离的双边滤波核的权重，
是所述像素j的量化结果的最终颜色，cj是所述像素j原来的颜色。
9.根据权利要求7所述的系统，其特征在于，所述预处理模块包括：
中值分割模块，用于对所述输入图像中的每个像素赋予基于视觉显著性的权重；在RGB颜色空间设置一个初始包围盒将所述输入图像中的颜色包含在其中；迭代地进行包围盒选取以及包围盒分割，每次选取加权方差最大的包围盒，并沿着选取的所述包围盒最长边所在轴的方向，找到选取的所述包围盒内的中位数，以中位数为界将选取的所述包围盒一分为二；最终得到与目标量化颜色数目相等的包围盒，选取每个得到的所述包围盒的中心点作为颜色板的颜色。
10.根据权利要求9所述的系统，其特征在于，所述预处理模块还包括：
优化聚类模块，用于在所述中值分割模块对所述输入图像先进行中值分割后，再采用K-means聚类算法优化聚类中心的位置以及分割的边界，计算所述输入图像中像素的加权方差，修改所述加权方差超过一定阈值的像素对应的所述权重；
交替运行模块，用于反复交替运行所述中值分割模块和优化聚类模块，直到平均的所述加权方差不再减少，最终得到所述初始颜色板。
11.根据权利要求7所述的系统，其特征在于，所述更新模块包括：
像素局部更新模块，用于固定颜色板中的颜色，用逐像素局部更新的方法更新像素标记图；
颜色板更新模块，用于每更新一次像素标记图，则固定所述像素标记图，根据更新后的像素标记图更新所述颜色板，具体为：令所述目标函数的偏导数为零，得到一组线性方程组，求解所述线性方程组得到对应于当前的像素标记图最优的颜色板；
反复运行模块，用于反复运行所述像素局部更新模块和颜色板更新模块，直到所述目标函数不再减少，此时得到的像素标记图和颜色板为最终的像素标记图和颜色板。
12.根据权利要求11所述的系统，其特征在于，所述像素局部更新模块用于对于所述输入图像中的每一个像素，固定颜色板中的其它像素的颜色，从所述颜色板中选择导致所述目标函数取最小值的像素颜色，得到更新一次的像素标记图。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510946189.8A CN105608673B (zh) | 2015-12-16 | 2015-12-16 | 图像颜色量化与抖动方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510946189.8A CN105608673B (zh) | 2015-12-16 | 2015-12-16 | 图像颜色量化与抖动方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105608673A CN105608673A (zh) | 2016-05-25 |
| CN105608673B true CN105608673B (zh) | 2020-09-25 |
Family
ID=55988589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510946189.8A Active CN105608673B (zh) | 2015-12-16 | 2015-12-16 | 图像颜色量化与抖动方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105608673B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447080B (zh) * | 2018-03-02 | 2023-05-23 | 哈尔滨工业大学深圳研究生院 | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 |
| CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别系统及方法 |
| CN113989227B (zh) * | 2021-10-27 | 2022-09-02 | 北京市水产科学研究所（国家淡水渔业工程技术研究中心） | 一种丹顶红白锦鲤色彩量化评价方法、装置及系统 |
| CN117294853B (zh) * | 2023-09-26 | 2024-06-25 | 小红书科技有限公司 | 图像压缩方法、相关方法及相关装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520894A (zh) * | 2009-02-18 | 2009-09-02 | 上海大学 | 基于区域显著性的显著对象提取方法 |
| CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
| CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
| CN102637253A (zh) * | 2011-12-30 | 2012-08-15 | 清华大学 | 基于视觉显著性和超像素分割的视频前景目标提取方法 |
| CN103390279A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院自动化研究所 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
| CN104680553A (zh) * | 2014-11-26 | 2015-06-03 | 沈阳工业大学 | 基于双边滤波的可变核函数目标跟踪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9230173B2 (en) * | 2009-08-24 | 2016-01-05 | Verizon Patent And Licensing Inc. | Soft decision making processes for analyzing images |
-
2015
- 2015-12-16 CN CN201510946189.8A patent/CN105608673B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520894A (zh) * | 2009-02-18 | 2009-09-02 | 上海大学 | 基于区域显著性的显著对象提取方法 |
| CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
| CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
| CN102637253A (zh) * | 2011-12-30 | 2012-08-15 | 清华大学 | 基于视觉显著性和超像素分割的视频前景目标提取方法 |
| CN103390279A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院自动化研究所 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
| CN104680553A (zh) * | 2014-11-26 | 2015-06-03 | 沈阳工业大学 | 基于双边滤波的可变核函数目标跟踪方法 |
Non-Patent Citations (6)
| Title |
|---|
| 《A High Performance Dithering Method for Gray and Color Image Quantization》;Zhijun Yao et al;《2010 6th International Conference on Wireless Communications Networking and Mobile Computing (WiCOM)》;20100925;第1-4页 * |
| 《Dithered Color Quantization》;Buhmann J M et al;《Computer Graphics Forum》;19980930;第17卷(第03期);第219-231页 * |
| 《On Spatial Quantization of Color Images》;Jan Puzicha et al;《IEEE Transactions on Image Processing》;20000430;第09卷(第04期);第666-682页 * |
| 《Visual-Salience-Based Tone Mapping for High Dynamic Range Images。;Zhengguo Li et al;《IEEE Transactions on Industrial Electronics》;20140327;第61卷(第12期);第7076–7082页 * |
| 《视觉显著性的八叉树颜色量化方法》;刘志福等;《计算机工程》;20110331;第37卷(第6期);第212-214页 * |
| 《视觉显著性计算及其应用研究》;杨军;《中国博士学位论文全文数据库 信息科技辑》;20150515(第5期);I138-71 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105608673A (zh) | 2016-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Agrawal et al. | A novel joint histogram equalization based image contrast enhancement | |
| US9940548B2 (en) | Image recognition method for performing image recognition utilizing convolution filters | |
| US10909409B2 (en) | System and method for blind image quality assessment | |
| JP3740065B2 (ja) | 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法 | |
| JP4745296B2 (ja) | デジタル画像の領域分離方法および領域分離システム | |
| JP4745297B2 (ja) | デジタル画像における均一な色の領域を特定する方法およびシステム | |
| CN105608673B (zh) | 图像颜色量化与抖动方法和系统 | |
| CN104966285B (zh) | 一种显著性区域的检测方法 | |
| US9501837B2 (en) | Method and system for unsupervised image segmentation using a trained quality metric | |
| US9418410B2 (en) | Image processing apparatus and method thereof | |
| US20150139546A1 (en) | Image segmenting apparatus and method | |
| JP2004525471A (ja) | 再帰的ヒストグラムベクトル生成によるパレットに基づいたヒストグラムマッチング | |
| CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
| JP2013101615A (ja) | 色ヒストグラムに基づき画像領域を記述する方法およびシステム | |
| CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
| CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
| CN112651951A (zh) | 一种基于dce-mri的乳腺癌分级方法 | |
| US20130084025A1 (en) | Method for Brightness Correction of Defective Pixels of Digital Monochrome Image | |
| Kuzovkin et al. | Descriptor-based image colorization and regularization | |
| US20130259373A1 (en) | Image processing device capable of determining types of images accurately | |
| López-Rubio et al. | Selecting the color space for self-organizing map based foreground detection in video | |
| CN104778468B (zh) | 图像处理装置、图像处理方法以及监控设备 | |
| US8977058B2 (en) | Image processing apparatus and method | |
| Frosio et al. | Adaptive segmentation based on a learned quality metric. | |
| Aslam et al. | A review on various clustering approaches for image segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |