利用几种颜色量化方法提取图片颜色色调
这里主要用3种方法：包含两种k-means方法和一种matlab自带的最小方差量化方法。
为了方便对比，文中选用梵高的星空（The Starry Night）作为提取图片。
1 k-means方法（在RGB空间）
颜色量化是指一个减少在图像中的颜色数量的压缩过程。旨在用尽可能少的颜色去还原图片。
所以，也可以用聚类方法去进行处理，即将所有颜色在色彩空间上分布开，然后为每个集群选择所代表的点来创建调色板。
比如梵高的星空：
把所有像素点的颜色在RGB空间显示出来，可以得到：
这时我们再利用k-means聚类算法把调色板设为4种颜色，即N=4，
得到像素的局聚类表示为
质心颜色的连线图如下：
得到的N=4下的图片为
可以看到有较大的偏差。
当取N=20时，得到的图为：
颜色质量要比只用4个颜色的要高出很多。
而在颜色板的分布这张图上，也可以比较明显的看到梵高在做这幅画时使用的主要3种颜色，和wiki百科中提到的ultramarine 、cobalt blue 和indian yellow比较吻合。
2 k-means方法（Lab颜色空间）
事实上，在相同的方法，采用不同的颜色空间进行聚类，可以发现影响最主要的还是数量的选取。可能有些情况下Lab或者HSV方法比RGB看上去更好，但是影响也不是很大。
下图是利用LAB颜色空间进行聚类分析的结果，N=4，并且为了方便对比，将结果依然显示在RGB的坐标系内。
可以看到结果和第一节的相似。
当N=20的时候，观察和第一节的区别，发现只是在一些细节上划分区域有所差别，基本效果很接近。
3 最小方差量化方法rgb2ind()
matlab中有专门的函数用来进行色彩量化，为rgb2ind()，采用的方法为最小方差量化方法。具体可以参见：
https://ww2.mathworks.cn/help/matlab/ref/rgb2ind.html
这里依然取N=4和N=20进行对比。
可以看到用matlab自带的方法要比kmeans方法更好。
4 其余名画
5 代码
K-Means算法用的是matlab里自带的kmeans函数，可以参见：
http://www.mathworks.com/help/stats/kmeans.html
颜色板分布画的连接图用的算法来源于 Python 平面上的点的最短连线网 这篇文章：
https://blog.csdn.net/lnotime/article/details/82313355
LAB和RGB之间的转换用的是 色彩空间Lab和RGB互转的Matlab代码 这篇文章：
https://blog.csdn.net/wendy260310/article/details/17100497
这里由于篇幅，我就只粘贴Kmeans-LAB算法的程序和rgb2ind程序。
clear
clc
N=20;%设置聚类数目
data = imread('xingkong.JPEG');
dataLAB=single(zeros(size(data)));
[dataLAB(:,:,1),dataLAB(:,:,2),dataLAB(:,:,3)] = RGB2Lab(data(:,:,1),data(:,:,2),data(:,:,3));
hs=size(data);
data2=zeros(hs(1)*hs(2),3);
ii=0;
for j=1:hs(1)
for k=1:hs(2)
ii=ii+1;
data2(ii,:)=dataLAB(j,k,:);
end
end
XLAB=single(data2);
[idx,CLAB] = kmeans(XLAB,N,'Distance','cityblock','Replicates',5);
C=zeros(size(CLAB));
X=zeros(size(XLAB));
[C(:,1),C(:,2),C(:,3)]=Lab2RGB(CLAB(:,1),CLAB(:,2),CLAB(:,3));
[X(:,1),X(:,2),X(:,3)]=Lab2RGB(XLAB(:,1),XLAB(:,2),XLAB(:,3));
X=X*256;
C=C*256;
figure%原图
set(gcf,'unit','centimeters','position',[10,10,8,7])
image(data);
%三维绘图
figure
set(gcf,'unit','centimeters','position',[10,10,8,7])
hold on
%'MarkerFaceColor'
for j=1:N
%plot(X(idx==j,1),X(idx==j,2),'LineStyle','none','Marker','.','MarkerSize',12)
plot3(X(idx==j,1),X(idx==j,2),X(idx==j,3),'LineStyle','none','Marker','.','MarkerSize',12,'MarkerFaceColor',C(j,:)/256,'MarkerEdgeColor',C(j,:)/256);
end
%plot3(C(:,1),C(:,2),C(:,3),'kx','MarkerSize',15,'LineWidth',3)
view(3)
hold off
%然后输出这几个基准色对应的图
data2_2=single(data2);
j=1:length(idx);
data2_2(j,:)=C(idx(j),:);
ii=0;
for j=1:hs(1)
for k=1:hs(2)
ii=ii+1;
data(j,k,:)=data2_2(ii,:);
end
end
figure%新图
set(gcf,'unit','centimeters','position',[10,10,8,7])
image(data);
figure%点线图
set(gcf,'unit','centimeters','position',[10,10,8,7])
paths=find_min_length_3D(C);%参见：平面上的点的最短连线网
hold on
for j=1:size(paths,1)
plot3(paths(j,[1,4]),paths(j,[2,5]),paths(j,[3,6]),'b-')
plot3(C(j,1),C(j,2),C(j,3),'LineStyle','none','Marker','.','MarkerSize',40,'MarkerFaceColor',C(j,:)/256,'MarkerEdgeColor',C(j,:)/256)
end
plot3(C(j+1,1),C(j+1,2),C(j+1,3),'LineStyle','none','Marker','.','MarkerSize',40,'MarkerFaceColor',C(j,:)/256,'MarkerEdgeColor',C(j+1,:)/256)
hold off
view(3)
rgb2ind程序
clear
N=20;
%设置图像位数
RGB = imread('Stacks of wheat.jpg');
figure
set(gcf,'unit','centimeters','position',[10,10,8,7])
imagesc(RGB)
[IND,map] = rgb2ind(RGB,N);
IND=IND+1;
figure
set(gcf,'unit','centimeters','position',[10,10,8,7])
imagesc(IND)
colormap(map)
%三维绘图
hs=size(RGB);
data1=reshape(RGB,hs(1)*hs(2),3);
IND1=reshape(IND,hs(1)*hs(2),1);
figure
set(gcf,'unit','centimeters','position',[10,10,8,7])
hold on
for j=1:N
plot3(data1(IND1==j,1),data1(IND1==j,2),data1(IND1==j,3),'LineStyle','none','Marker','.','MarkerSize',12,'MarkerEdgeColor',map(j,:));
end
view(3)
hold off
figure%绘制连线图
set(gcf,'unit','centimeters','position',[10,10,8,7])
paths=find_min_length_3D(map);
hold on
for j=1:size(paths,1)
plot3(paths(j,[1,4]),paths(j,[2,5]),paths(j,[3,6]),'b-')
plot3(map(j,1),map(j,2),map(j,3),'LineStyle','none','Marker','.','MarkerSize',40,'MarkerEdgeColor',map(j,:))
end
plot3(map(j+1,1),map(j+1,2),map(j+1,3),'LineStyle','none','Marker','.','MarkerSize',40,'MarkerEdgeColor',map(j+1,:))
hold off
view(3)