之于图片主色调提取算法
图片颜色量化算法，
又称之为图片主色调提取算法。
也可以称之为调色板提取算法。
比较常见的应用就是用于提取图片的主色调用于上色配色,
当然也可以用于图像分割。
算法的主要目的是从真彩色图像所能表现的大约16M中颜色中选取最代表性或者出现频率最高的256种颜色。
维基百科：
https://en.wikipedia.org/wiki/Color_quantization
相关细节，请参阅维基百科。
经典的例子有：
色调窃取：
http://lokeshdhakar.com/projects/color-thief/
比较有意思的做法就是用来做图片压缩，
png格式中最高压缩比的算法就是基于颜色量化表实现的。
相关项目：
https://github.com/kornelski/pngquant
感兴趣的同学可以，翻翻相应的代码，温故而知新。
常见的颜色量化算法有：
中位切分法（Median cut）
Median-Cut Color Quantization
八叉树算法（Octree）
A Simple Method for Color Quantization: Octree Quantization
聚类算法 (KMeans)
Color Quantization using K-Means
直方图量化(Histogram)
Color Quantization using Histogram
神经网络(Neural-Net)
Optimal Colour Quantization using Kohonen Neural Networks
当然算法还有很多，以及相关的变种。
曾经做过一个需求，想要从一个图片中找到它的主体颜色然后显示出来,
要有两个输出，
一个是颜色的文字描述，一个是颜色的RGB值。
颜色的文字描述很好解决，参照项目:
Name that Color:
http://chir.ag/projects/name-that-color/
主要思路是建表查表，这个也没啥好说了，简单粗暴。
而重点在于精准地找到颜色的RGB值，
这一点，恕我直言，
以上提及到的算法，都不能很好地精准描述到颜色的RGB值。
相关开源项目很多，谷歌一下，github一下 关键词 Color Quantization，
如果不死心的同学可以去做下试验，这里就不展开说了。
这个跟人的视觉感官有关，我们的视觉焦点跟实际的数字颜色有差别。
举个例子，万绿丛中一点红。
明显周围都是绿，那一点红就显得很耀眼。
而如果采用均值也好，切分也好，分类也好。
是很难很好的描述那个耀眼的颜色。
有一段时间，清闲的时候总在思考，如何更好地找到那个合适的颜色值。
最终我从算法的核心，量化的思想出发。
我是不是可以采用过筛子的方式进行逐步逼近结果呢？
这个时候颜色相关的基础知识就显得尤为重要。
转换颜色空间，进行量化是否可行，例如采用HSL或HSV色域。
这个也不展开科普了，需要补课的同学，移步维基:
https://zh.wikipedia.org/wiki/HSL%E5%92%8CHSV%E8%89%B2%E5%BD%A9%E7%A9%BA%E9%97%B4
HSL和HSV都是一种将RGB色彩模型中的点在圆柱坐标系中的表示法。这两种表示法试图做到比RGB基于笛卡尔坐标系的几何结构更加直观。
HSL即色相、饱和度、亮度（英语：Hue, Saturation, Lightness）。HSV即色相、饱和度、明度（英语：Hue, Saturation, Value），又称HSB，其中B即英语：Brightness。
色相（H）是色彩的基本属性，就是平常所说的颜色名称，如红色、黄色等。
饱和度（S）是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100%的数值。
明度（V），亮度（L），取0-100%。
大家观察一下这个图中的圆环。
按照视觉感官来说，
位于圆环中间的颜色区域就是视觉不敏感的地方。
换句话来说，饱和度和亮度，我们都可以不考虑。
只要考虑量化色相就可以基本得知颜色的分布。
而量化的色相，还可以控制需要量化的精度，也就是，
你可以针对色相进行进一步的细分。
例如细分至1000等分，细分至10等分等等。
这个就看具体需求了。
| 名称 | 颜色 | 色光 | 色料 | 色相 | 代码 | MS-DOS | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Ｒ | Ｇ | Ｂ | Ｃ | Ｍ | Ｙ | Ｋ | 角度 | 饱和 | 明度 | ||||
| 红色 | 255 | 0 | 0 | 0 | 255 | 255 | 0 | 0° | 100% | 100% | #FF0000 | 12 | |
| 黄色 | 255 | 255 | 0 | 0 | 0 | 255 | 0 | 60° | 100% | 100% | #FFFF00 | 14 | |
| 绿色 | 0 | 255 | 0 | 255 | 0 | 255 | 0 | 120° | 100% | 100% | #00FF00 | 10 | |
| 青色 | 0 | 255 | 255 | 255 | 0 | 0 | 0 | 180° | 100% | 100% | #00FFFF | 11 | |
| 蓝色 | 0 | 0 | 255 | 255 | 255 | 0 | 0 | 240° | 100% | 100% | #0000FF | 9 | |
| 品红色 | 255 | 0 | 255 | 0 | 255 | 0 | 0 | 300° | 100% | 100% | #FF00FF | 13 | |
| 栗色 | 128 | 0 | 0 | 0 | 255 | 255 | 127 | 0° | 100% | 50% | #800000 | 4 | |
| 橄榄色 | 128 | 128 | 0 | 0 | 0 | 255 | 127 | 60° | 100% | 50% | #808000 | 6 | |
| 深绿色 | 0 | 128 | 0 | 255 | 0 | 255 | 127 | 120° | 100% | 50% | #008000 | 2 | |
| 蓝绿色 | 0 | 128 | 128 | 255 | 0 | 0 | 127 | 180° | 100% | 50% | #008080 | 3 | |
| 深蓝色 | 0 | 0 | 128 | 255 | 255 | 0 | 127 | 240° | 100% | 50% | #000080 | 1 | |
| 紫色 | 128 | 0 | 128 | 0 | 255 | 0 | 127 | 300° | 100% | 50% | #800080 | 5 | |
| 白色 | 255 | 255 | 255 | 0 | 0 | 0 | 0 | 0° | 0% | 100% | #FFFFFF | 15 | |
| 银色 | 192 | 192 | 192 | 0 | 0 | 0 | 63 | 0° | 0% | 75% | #C0C0C0 | 7 | |
| 灰色 | 128 | 128 | 128 | 0 | 0 | 0 | 127 | 0° | 0% | 50% | #808080 | 8 | |
| 黑色 | 0 | 0 | 0 | 0 | 0 | 0 | 255 | 0° | 0% | 0% | #000000 | 0 |
|
看这图表比较形象一些。
重点关注角度这个值。
相关的计算方式就不展开了。
这个比较基础。
经过实验，验证采用色相进行量化是比较适宜的。
具体算法就不贴出来了。
大概的算法思路如下：
1.确定需要量化颜色的精度，(0-360) 或者(0-60) 稍微换算一下即可。
2.按照量化的精度，对图像进行色相直方图统计(要更加精准的话可以加入亮度或饱和度的直方图，最好把Name that Color的RGB值也进行直方图统计)
3.对直方图进行统计分析，排序以及平滑等
4.通过2-3直方图进行评估确定对应的rgb值
5.输出结果
虽然可以完整地贴出示例代码，
但是有时候，授人以鱼不如授人以渔。
以上的思路，供有类似需求的同学参考之。
若有其他相关问题或者需求也可以邮件联系俺探讨。
邮箱地址是:
gaozhihan@vip.qq.com
