如何在OpenCV(C++)中最快地减少图像的颜色种类？

我之前做图像颜色量化时也碰到过OpenCV KMeans速度拉胯的问题，给你几个亲测有效的提速方向，不用改太多代码就能见效：

• 换用K-means++初始化策略
  你当前用的KMEANS_RANDOM_CENTERS是随机选初始中心，收敛慢还容易陷入局部最优。换成KMEANS_PP_CENTERS（K-means++），它会智能选择初始中心，能大幅减少迭代次数，速度提升非常明显。修改后的核心代码片段：

  kmeans(samples, clusterCount, labels, TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 1.0), 1, KMEANS_PP_CENTERS, centers);
  

  另外可以把EPS阈值从10.0调小到1.0左右，既保证精度又能更快触发收敛终止。

• 减少聚类样本数量
  没必要把所有像素都喂给KMeans，你可以先对图像做降采样（比如用pyrDown缩小一半），聚类得到中心后再把颜色映射回原图；或者随机抽取10%-30%的像素作为样本，这样样本量减少后，聚类速度会呈线性提升，而且颜色量化的视觉差异几乎可以忽略。

• 启用OpenCV多核并行
  确保你的OpenCV是用OpenMP编译的（编译时加-DOPENCV_WITH_OPENMP=ON参数），这样KMeans会自动利用CPU多核并行计算，在多核机器上速度能翻好几倍。如果有GPU的话，直接用cv::cuda::kmeans，GPU加速下处理大图像也能做到毫秒级。

• 改用非迭代的颜色量化算法
  Matlab的rgb2ind底层大概率用的是中位切分法（Median Cut），这类非迭代算法比KMeans快得多，因为不需要反复迭代计算中心。你可以自己实现一个简单的中位切分，或者找OpenCV社区里的现成实现，它的速度是KMeans的数倍，而且颜色量化效果也很稳定。

内容的提问来源于stack exchange，提问作者J. Mando