如何确定图像精准颜色量化的主色数量K以最小化调色板

我正在尝试对图像进行颜色量化，保留所有主色，去除抗锯齿边缘等次色。例如下方示例图像最终需量化为3种颜色，但原图实际颜色数超过30种。所有抗锯齿边缘色、因过度优化产生的会增加图像颜色数的JPEG伪影，均属于需在量化时消除的次色。注意：源图像可为png或jpeg格式。

量化操作我目前使用PIL.quantize(...)实现，传入参数K为需保留的颜色数量，该方法效果较好，可使输出调色板与原图完美匹配。

def color_quantize(path, K):
    image = cv2.imread(path, cv2.IMREAD_UNCHANGED)
    img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    im_pil = Image.fromarray(np.uint8(img))
    im_pil = im_pil.quantize(K, None, 0, None)
    return cv2.cvtColor(np.array(im_pil.convert("RGB")), cv2.COLOR_RGB2BGR) 

若我能提前得知主色数量“K”，即可直接传入im_pil.quantize(...)使用。目前我需要找到获取该“K”值的方法，请问有没有途径可以确定图像的主色数量？
另外关于JPEG伪影去除，我目前使用img = cv2.bilateralFilter(img, 9, 75, 75)，效果较好。

自动确定主色数量K的可行方案 #

你可以根据业务场景选择以下两种方案计算K值，都可以直接适配你现有的处理流程：

方案1：颜色频率阈值过滤法（轻量高效，适合固定场景） #

该方案逻辑简单、运行速度快，适合处理的图像风格统一的场景，步骤如下：

• 先运行你现有的双边滤波逻辑去除JPEG伪影，消除干扰色
• 统计预处理后图像所有像素的颜色出现频率，按从高到低排序
• 设定最小占比阈值（推荐初始值为0.5%~2%，可根据实际效果调整），依次累加颜色占比，直到下一个颜色的占比低于阈值，累加得到的颜色数就是K值
• 可以加兜底逻辑限制K的范围，比如最少保留2种、最多保留16种，避免极端情况出错
  参考实现代码：

def get_main_color_count(img, min_ratio=0.01):
    # 入参img为经过双边滤波去伪影的RGB格式图像
    pixels = img.reshape(-1, 3)
    # 统计所有唯一颜色的出现次数
    unique_colors, counts = np.unique(pixels, axis=0, return_counts=True)
    # 按出现次数降序排序
    counts = counts[np.argsort(-counts)]
    total_pixels = pixels.shape[0]
    k = 0
    for cnt in counts:
        if cnt / total_pixels < min_ratio:
            break
        k += 1
    # 兜底调整K的合理范围，可按需修改上下限
    return max(2, min(k, 16))

方案2：肘部法则+K-means聚类（精度更高，适配通用场景） #

如果处理的图像类型不固定、主色占比差异不大，可以用这个方案获取更精准的K值：

• 先完成去伪影预处理
• 对图像像素点运行K从2到最大预设值（比如16）的K-means聚类
• 计算每个K对应的聚类内平方和（SSE），找到SSE下降速率突然变缓的拐点，对应的K就是最优主色数量
  该方案计算量稍大，但适配性更强，适合图像风格多变的业务场景。

流程优化建议 #

建议你把去伪影步骤放到K值计算和颜色量化之前，先过滤掉JPEG伪影和边缘抗锯齿色的干扰，计算出来的K值会更准确，最终量化效果也更好。

内容的提问来源于stack exchange，提问作者Greg