真彩色图像转换成256色图像的自组织网络方法

真彩色图像转换成256色图像的自组织网络方法

将24比特真彩色图像在失真较小的情况下转换成8比特(256色)调色板图像，是一个比较复杂的图像减色问题。常用的方法有直接降低RGB量化电平数法、流行色算法、中位切分算法和八叉树颜色量化算法等。这里尝试一种新的方法，即环形Kohonen自组织特征映射神经网络方法，用图像中的每个像素点的红绿蓝(RGB)分量值作为样本输入，训练自组织网络，其输入节点为3，分别输入红绿蓝分量值，输出节点为256，分别代表256个调色板颜色。实验表明，这是一种行之有效的方法，并可以通过增加循坏学习次数来达到满意效果。

真彩色图像是指能真实地反映自然物体本来颜色的图像。大多数的彩色图像采集系统都采用24位来保存真彩色图像。在24比特真彩色图像中，红绿蓝三个颜色分量分别用8比特表示，包含2的24次方种颜色(16777216种颜色)。如何从这么多种颜色中选出256种颜色并使图像颜色的失真比较小，是一个比较复杂的图像减色处理问题。

一种简单的方法是直接减低RGB量化电平数：将R:G:B以3:3:2表示，即用3比特表示R(红色分量)、3比特表示G(绿色分量)、2比特表示B(蓝色分量)，合起来8比特构成一个字节，作为调色板颜色索引。3比特表示可有8个量化电平，2比特表示可有4个量化电平，如果红、绿、蓝分量的最小值和最大值分别为Rmin、Rmax、Gmin、Gmax、Bmin、Bmax，那么调色板对应位置上的颜色值为

R = Rmin + (Rmax – Rmin)*(2k+1)/16，k=0,1,2,3,4,5,6,7

G = Gmin + (Gmax – Gmin)*(2k+1)/16，k=0,1,2,3,4,5,6,7

B = Bmin + (Rmax – Rmin)*(2k+1)/8，k=0,1,2,3

这种方法极有可能造成较大的颜色失真。

第二种方法叫流行色算法，即：设置一个长度为4096的数组c[4096]，将图像中的点颜色R、G、B的高四位组成一个12比特的数k，计数c[k]=c[k]+1，在整幅图像计数完成后，得到这4096种颜色在图像中出现的频率，将c[i]=0对应的颜色丢弃，对剩下的c[i]，i=0…M-1，M<=4096，由大到小排列，取前256个，把其他较小的c[i]对应的颜色与前256个进行匹配，获取256色调色板。

其他方法还有中位切分算法、八叉树颜色量化算法等[2]。

这里我们尝试一种新的方法，即通过训练Kohonen自组织特征映射人工神经网络，获取代表图像RGB出现模式的网络权重，实现真彩色图像减色处理。图像中的每一个点由RGB三个分量组成，构成一个三维样本(网络输入节点为3个)，用这些样本去训练环形自组织神经网络，得到256个输出节点上的权重，代表256种调色板颜色。因此一幅256×256的真彩色图像就拥有65536个样本，一幅1024×1024的真彩色图像就包含1048576个样本，这样训练网络就不会出现缺少训练样本的情况。具体步骤为：

1​ 建立输入节点为3，输出节点为256的环形自组织网络；

2​ 初始化网络权重，可采用R:G:B为3:3:2比特的模式赋予初始值，也可以赋予0-255之间的随机数；

3​ 重复利用图像数据，对网络权重进行训练，每重复一次，邻域半径缩小，学习率减小。训练开始是初始邻域半径比较大，如120；

4​ 将权重值赋与给调色板，将各像素颜色与调色板匹配得到颜色索引号，建立256色调色板图像。

Kohonen自组织特征映射神经网络(环形和球面型网络)。

实验表明，Kohonen自组织特征映射人工神经网络用于真彩色图像减色处理，是一个行之有效的方法，也是一个自组织网络的典型应用例子。

参考文献

[1] 吕凤军 编著. 数字图像处理编程入门[M]. 北京 清华大学出版社，1999年9月第1版，第75页.
[2] 钟志光，卢君，刘伟荣 编著. Visual C++.NET 数字图像处理实例与解析[M]. 北京 清华大学出版社，2003年6月第1版，第80-82页.

菜单操作：《工具箱》→ 《外部工具》，出现如下对话框：

点击其中“图像处理”按钮，出现图像处理软件界面，打开要处理的真彩色图像，选择菜单：《图像处理》《创建256色调色版》，出现界面：

通过训练Kohonen自组织神经网络计算调色板，输入重复次数，并可动态显示训练效果。将调色板图像保存成文件。

实例：真彩色图像转换成256色调色板图像，处理前后图像之对比。

真彩色图像(原图像)

256色调色板图像(颜色缩减后图像)

相关文章

多通道信号分析软件系统
多通信号分析软件(MUSIA)功能介绍
生物医学信号处理与分析软件系统设计
曲线拟合软件