English | 简体中文 | 繁體中文 | Русский язык | Français | Español | Português | Deutsch | 日本語 | 한국어 | Italiano | بالعربية
Прошло уже некоторое время с начала работы, это первое мое письмо в блоге, я не знаю, как начать, пожалуйста, смиритесь и посмотрите, если что-то не так, пожалуйста, исправьте меня.
В последнее время в работе использовалась функция сжатия изображений. Найдены了一些 инструментов, но выбора не было. В конце концов, был выбран jdeli, но его эффективность снова стала проблемой. В отчаянии я решил изучить его исходный код и обнаружил, что мне очень интересна его функция уменьшения количества цветов. Но, к сожалению, я не понимаю, что он написал, и возникла идея реализовать свою собственную алгоритм квантализации цвета.
Найдены некоторые материалы, среди которых три наиболее часто используемых алгоритма обработки цветов:
Алгоритм流行ных цветов:
Конкретный алгоритм заключается в том, что сначала проводится статистический анализ всех цветовых значений изображения, из которых выбираются 256 самых часто встречающихся цветов в качестве цветов палитры изображения, затем снова пройдите по всем пикселям изображения и для каждого пикселя найдите наиболее близкий цвет в палитре (здесь я использую способ дисперсии), который записывается обратно в изображение. Реализация этого алгоритма довольно проста, но искажение довольно严重, и некоторые информация, которая появляется редко, но явно видна для человеческого глаза, может быть потеряна. Например, яркие пятна в изображении, которые встречаются редко, могут не быть выбраны алгоритмом и могут быть потеряны.
Метод мидисечения:
Этот алгоритм я не изучал, если кто-то хочет узнать о нем больше, пожалуйста, посмотритеЭта статья, в котором описаны три алгоритма.
Кд-дерево
Эта алгоритмическая модель - та, которую я в конечном итоге выбрал, ее основная идея - преобразовать цветовые значения RGB изображения в двоичное распределение в кд-дереве, например: (173, 234, 144)
Преобразование в двоичное представление равно (10101101, 11101010, 10010000), первый бит R, G, B собирается в (111), который является подузлом корневого узла, где 111 является индексом массива подузлов корневого узла, и так далее, до последнего бита. На листовых узлах хранится значение цвета и его частота встречаемости. Подробнее см. в изображении.
Одна из вещей, которые меня особенно интересовали, - это стратегия слияния листовых узлов. Здесь я использовал один из самых простых методов, то есть找到了 узел с最深шим уровнем и слил его, что несколько просто и грубо. Если у кого-то есть другие хорошие методы, пожалуйста, оставьте мне комментарий. Из-за того, что изображение слишком большое, чтобы загрузить, я просто приложу код. Код не был重构ирован, поэтому, пожалуйста, простите за это.
package com.gys.pngquant.octree;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
*
*
* @ClassName Название класса: Node
* @Description Описание функции:
* <p>
* Реализация кд-дерева
* </p>
*
* 16 декабря 2015 года guoys создал эту функцию.
*
**********************************************************
* </p>
*/
public class Node{
private int depth = 0;
// 为0时为root节点
private Node parent;
private Node[] children = new Node[8];
private Boolean isLeaf = false;
private int rNum = 0;
private int gNum = 0;
private int bNum = 0;
private int piexls = 0;
private Map<Integer, List<Node>> levelMapping;
// 存放层次和node的关系
public int getRGBValue(){
int r = this.rNum / this.piexls;
int g = this.gNum / this.piexls;
int b = this.bNum / this.piexls;
return (r << 16 | g << 8 | b);
}
public Map<Integer, List<Node>> getLevelMapping() {
return levelMapping;
}
public void afterSetParam(){
if(this.getParent() == null && this.depth == 0){
levelMapping = new HashMap<Integer, List<Node>>();
for (int i = 1; i <= 8; i++) {
levelMapping.put(i, new ArrayList<Node>());
}
}
}
public int getrNum() {
return rNum;
}
public void setrNum(int rNum) {
if (!isLeaf) {
throw new UnsupportedOperationException();
}
this.rNum = rNum;
}
public int getgNum() {
return gNum;
}
public void setgNum(int gNum) {
if (!isLeaf) {
throw new UnsupportedOperationException();
}
this.gNum = gNum;
}
public int getbNum() {
return bNum;
}
public void setbNum(int bNum) {
if (!isLeaf) {
throw new UnsupportedOperationException();
}
this.bNum = bNum;
}
public int getPiexls() {
return piexls;
}
public void setPiexls(int piexls) {
if (!isLeaf) {
throw new UnsupportedOperationException();
}
this.piexls = piexls;
}
public int getDepth() {
return depth;
}
// 返回节点原有的子节点数量
public int mergerLeafNode() {
if (this.isLeaf) {
return 1;
}
this.setLeaf(true);
int rNum = 0;
int gNum = 0;
int bNum = 0;
int pixel = 0;
int i = 0;
for (Node child : this.children) {
if(child == null){
continue;
}
rNum += child.getrNum();
gNum += child.getgNum();
bNum += child.getbNum();
pixel += child.getPiexls();
i += 1;
}
this.setrNum(rNum);
this.setgNum(gNum);
this.setbNum(bNum);
this.setPiexls(pixel);
this.children = null;
return i;
}
// 获取最深层次的node
public Node getDepestNode() {
for (int i = 7; i > 0; i--) {
List<Node> levelList = this.levelMapping.get(i);
if (!levelList.isEmpty()) {
return levelList.remove(levelList.size() - 1);
}
}
return null;
}
// 获取叶子节点的数量
public int getLeafNum() {
if (isLeaf) {
return 1;
}
int i = 0;
for (Node child : this.children) {
if (child != null) {
i += child.getLeafNum();
}
}
return i;
}
public void setDepth(int depth) {
this.depth = depth;
}
public Node getParent() {
return parent;
}
public void setParent(Node parent) {
this.parent = parent;
}
public Node[] getChildren() {
return children;
}
public Node getChild(int index){
return children[index];
}
public void setChild(int index, Node node){
children[index] = node;
}
public Boolean isLeaf() {
return isLeaf;
}
public void setPixel(int r, int g, int b){
this.rNum += r;
this.gNum += g;
this.bNum += b;
this.piexls += 1;
}
public void setLeaf(Boolean isLeaf) {
this.isLeaf = isLeaf;
}
public void add8Bite2Root(int _taget, int _speed){
if(depth != 0 || this.parent != null){
throw new UnsupportedOperationException();
}
int speed = 7 + 1 - _speed;
int r = _taget >> 16 & 0xFF;
int g = _taget >> 8 & 0xFF;
int b = _taget & 0xFF;
Node proNode = this;
for (int i=7; i>=speed; i--){
int item = ((r >> i & 1) << 2) + ((g >> i & 1) << 1) + (b >> i & 1);
Node child = proNode.getChild(item);
if(child == null){
child = new Node();
child.setDepth(8-i);
child.setParent(proNode);
child.afterSetParam();
this.levelMapping.get(child.getDepth()).add(child);
proNode.setChild(item, child);
}
if(i == speed){
child.setLeaf(true);
}
if(child.isLeaf()){
child.setPixel(r, g, b);
break;
}
proNode = child;
}
}
public static Node build(int[][] matrix, int speed){
Node root = new Node();
root.afterSetParam();
for (int[] row : matrix) {
for (int cell : row) {
root.add8Bite2Root(cell, speed);
}
}
return root;
}
public static byte[] mergeColors(Node root, int maxColors){
byte[] byteArray = new byte[maxColors * 3];
List<byte> result = new ArrayList<byte>();
int leafNum = root.getLeafNum();
try{
while(leafNum > maxColors){
int mergerLeafNode = root.getDepestNode().mergerLeafNode();
leafNum -= (mergerLeafNode - 1);
}
}
catch(Exception e){
e.printStackTrace();
}
fillArray(root, result, 0);
int i = 0;
for (byte byte1 : result) {
byteArray[i++] = byte1;
}
return byteArray;
}
private static void fillArray(Node node, List<byte> result, int offset){
if(node == null){
return;
}
if(node.isLeaf()){
result.add((byte) (node.getrNum() / node.getPiexls()));
result.add((byte) (node.getgNum() / node.getPiexls()));
result.add((byte) (node.getbNum() / node.getPiexls()));
} else{
for (Node child : node.getChildren()) {
fillArray(child, result, offset);
}
}
}
}
Увы, единственные два предмета, которые я не сдал в университете, это структура данных. Код реализует только октаэдральное дерево, квантует изображение 1920*1080, время обработки大概是 450 мс, если уровень -2, то大概是 100 мс.
Ну что ж, вот и все, что я хотел сказать. Вначале я чувствовал, что у меня было много что сказать, но когда я начал писать, я не знал, что и добавить. Пожалуйста, извините за это.
Обобщение
Вот и все, что касается примера кода на Java для простого реализации обработки изображений с помощью октаэдрального дерева. Надеюсь, это поможет вам. Те, кто интересуется, могут продолжить читать другие связанные темы на этом сайте. Если есть что-то неясное, пожалуйста, оставьте комментарий. Спасибо за поддержку сайта!
Заявление: содержимое этой статьи взято из интернета, авторские права принадлежат соответствующему автору. Контент предоставлен пользователями интернета, загружен ими самостоятельно, сайт не обладает правами собственности, не был отредактирован вручную и не несет ответственности за связанные с этим юридические последствия. Если вы обнаружите контент,涉嫌侵犯版权， пожалуйста, отправьте письмо по адресу: notice#oldtoolbag.com (во время отправки письма замените # на @), чтобы сообщить о нарушении,并提供相关证据. При подтверждении факта нарушения сайт незамедлительно удалят涉嫌侵权的内容。