如何加快openCV中的颜色聚类？

Posted 2023-03-12

【中文标题】如何加快openCV中的颜色聚类？

【英文标题】：how to speed up color-clustering in openCV?

【发布时间】：2012-11-16 19:20:30

【问题描述】：

对于一个项目，我想实现一个颜色聚类算法，用聚类的平均颜色替换相似的颜色。

目前，我使用 kmeans-algorithm 对整个图像进行聚类。但这需要很长时间。有人知道如何使用 kmeans 对颜色直方图进行聚类，以便我可以执行此算法吗？

【参考方案1】：

先对图像进行下采样，然后运行 ​​k-means。

如果您在 x 和 y 中将图像大小调整为 1/2，它应该不会对颜色产生太大影响，但 k-means 最多应该占用 1/4 的时间。如果重新采样到宽度和高度的 1/10，k-means 的运行速度应该快 100 倍。

https://en.wikipedia.org/wiki/Color_quantization

通过对图像进行下采样，您可以在聚类期间处理更少的“像素”。但最终，它应该会产生大致相同的配色方案。

k的小总结-意思是：

它将每个对象（=像素）映射到最近的聚类中心（=调色板条目） 它重新计算每个调色板条目以最好地表示分配的点（= 像素） 重复直到没有任何改变为止。

所以 real 输出不是图像或图像区域。这是调色板。

然后您可以将任意图像（包括全分辨率版本）映射到此调色板，只需将每个像素替换为最接近的颜色！

复杂性和性能：

k-means 的复杂度为O(n*k*i)，其中n 是您拥有的像素数，k 是所需的输出颜色数，i 直到收敛所需的迭代次数。

n：通过下采样，可以轻松降低最大因子n。在许多情况下，您可以在看到性能下降之前显着减少这种情况。

k：这是您想要的输出颜色数。是否可以减少这个取决于您的实际用例。

i：各种因素都会对收敛产生影响（包括其他两个因素！），但最强的可能是具有良好的起始值。因此，如果您有一个非常快但质量低的方法来选择调色板，请先运行它，然后使用 k-means 来优化此调色板。不过，也许 OpenCV 已经为此包含了适当的启发式方法！

你可以看到，最简单的方法是减少n。您可以显着减少n，为缩略图生成一个优化的调色板，然后重新运行 k-means 对整个图像细化这个调色板。由于 - 希望 - 这将显着减少迭代次数，因此有时可以很好地执行。

【讨论】：

谢谢 :) 但是在这种情况下，如何用输入图像中的新颜色替换颜色？

这仍然以相同的方式工作。将其映射到找到的最接近的颜色 k 均值。

真的吗？一个簇的掩码具有原始图像大小的 1/2。如果我调整蒙版的大小，我认为结果不准确，因为它会覆盖原始图像上的相邻像素。

哪个面具？使用 k-means 聚类中心（=新调色板）。将每个像素映射到最接近的颜色。

【参考方案2】：

我的答案与直方图聚类无关，但最近我需要加快算法的聚类过程。为此，我做了以下事情：

将图像调整为更小的图像（实际上已经建议） 颜色数量减少 (image quantization)。我按照这里的建议做了：How to reduce the number of colors in an image with OpenCV?。

这确实帮助我在某些时候加速了集群化。您也可以尝试使用 OpenCV 的mean-shift filtering。

【讨论】：

其实他想用k-means进行颜色量化。为什么要先使用量化 A 再运行量化 B？请注意，他不是对图像进行聚类，而是对颜色进行聚类。

@Anony-Mousse 你说quantization A和B是什么意思？

见en.wikipedia.org/wiki/Color_quantization -- k-means 可以用于颜色量化，这可能是他正在尝试做的事情。之前使用不同的颜色量化是没有意义的，不是吗？

@Anony-Mousse 它将提高速度 - kmeans 在较少的颜色上工作得更快。

K-means 复杂度是O(n k i)，其中n 是像素数，k 是聚类数，i 是直到收敛的迭代次数。当然：如果你对图像进行了很多预量化，k-means 可能需要更少的迭代，但它也会更多地降低质量。您是否有任何参考资料表明您应该预先量化 k-means？

【参考方案3】：

您需要为每个数据分配一个权重，即直方图 bin 中的值的数量。然后，当您计算集群质心的新值时，您使用加权平均值而不是普通平均值。但是 OpenCV KMeans 聚类的接口不支持加权值。您可以使用支持它的C clustering library，它有很好的文档记录（尽管从生物信息学中获取示例），并且易于集成（单个 .h/.c 文件）。