基于拼豆的图像颜色聚类算法：原理与实现

基于拼豆的图像颜色聚类算法：原理与实现

一、前言

拼豆（像素豆 / 融合豆）创作的核心需求是将任意图像简化为有限数量的 “色号”，既要保留图像核心视觉特征，又要去除杂色、降低颜色复杂度。常规的颜色量化算法（如 K-Means）无法兼顾 “颜色频率” 和 “视觉相似度”，而基于拼豆场景的图像颜色聚类算法，通过层次聚类 + 频率阈值筛选 + 聚类优化的组合策略，精准解决了这一问题 —— 该算法以 “颜色出现频率” 为重要性依据，结合视觉色差（ΔE）完成聚类，最终输出去杂色后的图像色号映射表。
本文将从算法核心思想、关键流程、核心实现三个维度，详细拆解这一算法的设计与落地思路。

二、算法核心思想

算法的核心逻辑是 “先聚类、再筛选、后优化”：

1. 以 “颜色出现频率” 为权重，对图像中所有实际使用的色号做层次聚类，优先合并视觉上最相似（ΔE 最小）的颜色；
2. 通过频率阈值 α 判断聚类的 “重要性”，过滤低频杂色聚类；
3. 对重要聚类内部的低频色号进一步优化，将不重要聚类合并到最近的重要聚类；
4. 最终生成 “原始色号→代表色号” 的映射表，完成图像颜色简化。
   核心目标：保留高频且视觉特征显著的颜色，剔除低频杂色，同时保证颜色映射的视觉一致性。

三、算法详细流程

步骤 1：数据准备（频率基准构建）
数据准备的核心是量化每个颜色的 “存在感”，为后续重要性判断提供依据：

1. 计算总像素块数：统计输入图像的总像素数（记为total_pixels），作为频率计算的基准；
2. 筛选有效颜色：从 “颜色 - 次数统计” 结果中，过滤掉未使用的颜色（即counts[i] = 0的色号），仅保留实际出现在图像中的颜色（记为valid_colors，格式为 RGB 色号列表）；
3. 计算相对频率：对每个有效颜色，计算其相对频率（freq = counts[i] / total_pixels），反映该颜色在图像中的占比；
   示例：若图像总像素 1000，某红色出现 200 次，则其相对频率为 0.2。

步骤2：层次聚类核心（视觉相似度聚合）
层次聚类是实现 “视觉相似颜色合并” 的核心，区别于 K-Means 需要预设聚类数，层次聚类可通过 “色差阈值” 自适应终止，更贴合拼豆场景的灵活需求：
2.1 初始化
将每个有效颜色视为独立聚类，每个聚类包含：

1. 成员色号列表（初始仅自身）；
2. 总频率（初始为该颜色的相对频率）；
3. RGB 均值（初始为该颜色的 RGB 值）。

2.2 迭代合并

1. 距离计算：采用 CIE76色差公式简化版（ΔE）计算聚类间的视觉距离，ΔE 越小表示颜色越相似；
2. 优先队列迭代：将所有聚类对的 ΔE 存入优先队列（小顶堆），每次取出 ΔE 最小的聚类对进行合并；
3. 终止条件：当优先队列中最小的 ΔE 超过预设阈值（默认 4.0，可根据拼豆色号精度调整）时，停止合并；

注：ΔE=4.0 是视觉上 “可感知但不明显” 的临界值，符合拼豆颜色简化的视觉要求。
2.3 距离更新（平均链接法）
合并后的新聚类与其他聚类的距离，采用平均链接法计算：

center.r = weighted_average(cluster_members.r, frequencies);
// ... 类似计算g, b

weighted_average计算聚类中所有成员频率加权平均中心，平均链接法能避免 “链式合并”，保证聚类的视觉一致性。

步骤 3：重要性决策点（频率阈值筛选）
聚类完成后，通过阈值 α（建议取值 0.03~0.05，即 3%~5%）判断聚类是否 “重要”：

• 判断规则：若聚类总频率 ≥ α → 重要聚类；否则 → 不重要聚类；
• 核心目的：过滤掉 “视觉相似但总占比极低” 的杂色聚类（如图像中的噪点、零星杂色）。

步骤4：聚类优化（杂色合并 + 代表色确定）
4.1 合并不重要聚类
对所有不重要聚类，计算其与每个重要聚类的 ΔE，将其合并到最近的重要聚类中，进一步简化颜色数量。
4.2 计算聚类中心（频率加权平均）
对每个重要聚类，计算频率加权的 RGB 中心值，保证高频颜色对聚类中心的主导作用：
RGBcenter​=∑freqi​∑(RGBi​×freqi​)
​其中：

• RGBi​ 是聚类中第i个色号的 RGB 值；
• freqi​ 是该色号的相对频率。

4.3 确定代表色号
从输入的colorTable（拼豆可用色号表）中，寻找与RGBcenter​ ΔE 最小的色号作为该聚类的代表色号（保证输出色号是实际可用的拼豆色号）。

步骤 5：映射与输出
5.1 构建颜色映射表
生成 “原始色号 → 代表色号” 的映射字典：聚类中所有成员色号，均映射到该聚类的代表色号。
5.2 应用映射并统计效果
将映射表应用到原始图像，替换所有像素的色号，得到去杂色后的图像；
统计优化效果：
颜色减少率 = (原始颜色数 - 最终颜色数) / 原始颜色数 × 100%；

四、核心代码实现（C++）

以下是算法核心逻辑的 C++ 实现，依赖CIE76色差公式的简化版本计算 ΔE，使用优先队列存储簇间距离(非完整代码，代码使用Deepseek辅助生成)：

// ============================================
// 主函数：removeRareColorsModular
// ============================================

std::vector<std::vector<std::string>> removeRareColorsModular(
    const ColorMatcher& matcher,
    const BlockProcessor& processor,
    const std::vector<int>& counts,
    double alpha,
    double deltaEThreshold) {
    
    const auto& colorTable = matcher.getColorTable();
    
    // 步骤1: 准备数据
    std::cout << "\n=== 步骤1: 数据准备 ===" << std::endl;
    
    // 计算总像素数
    int totalBlocks = 0;
    for (int count : counts) totalBlocks += count;
    
    // 获取使用的颜色索引和频率
    std::vector<int> usedIndices;
    std::vector<double> frequencies;
    
    for (size_t i = 0; i < counts.size(); i++) {
        if (counts[i] > 0) {
            usedIndices.push_back(i);
            frequencies.push_back(static_cast<double>(counts[i]) / totalBlocks);
        }
    }
    
    std::cout << "总像素块: " << totalBlocks << std::endl;
    std::cout << "使用颜色数: " << usedIndices.size() << " / " << counts.size() << std::endl;
    std::cout << "频率阈值 α: " << alpha << std::endl;
    std::cout << "ΔE阈值: " << deltaEThreshold << std::endl;
    
    if (usedIndices.empty()) {
        std::cerr << "错误: 没有使用的颜色" << std::endl;
        return processor.getColorCodes();
    }
    
    // 步骤2: 预计算距离矩阵
    std::cout << "\n=== 步骤2: 计算距离矩阵 ===" << std::endl;
    auto distanceMatrix = computeDistanceMatrix(usedIndices, colorTable);
    
    // 步骤3: 层次聚类
    std::cout << "\n=== 步骤3: 层次聚类 ===" << std::endl;
    Clusterer clusterer;
    auto clusters = clusterer.performClustering(usedIndices, frequencies, 
                                               distanceMatrix, deltaEThreshold);
    
    // 步骤4: 重要性评估
    std::cout << "\n=== 步骤4: 重要性评估 ===" << std::endl;
    ImportanceEvaluator evaluator;
    evaluator.evaluateClusters(clusters, alpha);
    evaluator.identifyLowFrequencyMembers(clusters, frequencies, alpha);
    
    // 输出聚类信息
    for (size_t i = 0; i < clusters.size(); i++) {
        const auto& cluster = clusters[i];
        std::cout << "聚类 " << i << ": 大小=" << cluster.colorIndices.size()
                  << ", 总频率=" << cluster.totalFrequency
                  << ", 重要=" << (cluster.isImportant ? "是" : "否")
                  << ", 低频成员=" << cluster.lowFreqMembers.size() << std::endl;
    }
    
    // 步骤5: 聚类优化
    std::cout << "\n=== 步骤5: 聚类优化 ===" << std::endl;
    ClusterOptimizer optimizer;
    optimizer.optimizeClusters(clusters, distanceMatrix, frequencies, 
                              usedIndices, colorTable, alpha);
    
    // 步骤6: 获取原始图像并应用映射
    std::cout << "\n=== 步骤6: 颜色映射 ===" << std::endl;
    auto originalImage = processor.getColorCodes();
    ColorMapper mapper;
    auto result = mapper.applyMapping(originalImage, clusters, usedIndices, colorTable);
    
    // 步骤7: 统计结果
    std::cout << "\n=== 步骤7: 结果统计 ===" << std::endl;
    
    // 统计原始和最终的颜色数
    int originalColorCount = 0;
    for (int count : counts) {
        if (count > 0) originalColorCount++;
    }
    
    // 统计最终使用的颜色数（不同的代表色数）
    std::unordered_set<std::string> finalColors;
    for (const auto& cluster : clusters) {
        if (!cluster.colorIndices.empty()) {
            finalColors.insert(colorTable[cluster.representativeIndex].name);
        }
    }
    
    std::cout << "原始颜色数: " << originalColorCount << std::endl;
    std::cout << "最终颜色数: " << finalColors.size() << std::endl;
    std::cout << "颜色减少率: " 
              << std::fixed << std::setprecision(1)
              << ((1.0 - static_cast<double>(finalColors.size()) / originalColorCount) * 100)
              << "%" << std::endl;
    
    // 输出最终调色板
    std::cout << "\n最终调色板 (" << finalColors.size() << " 种颜色):" << std::endl;
    for (const auto& colorCode : finalColors) {
        std::cout << "  " << colorCode << std::endl;
    }
    
    return result;
}

五、算法关键说明

ΔE 的选择：CIE 是目前最贴合人眼视觉的色差计算公式，相比 RGB 欧式距离，能更准确反映颜色的视觉相似度；
平均链接法：避免了 “单链接法” 的链式聚类和 “全链接法” 的紧凑聚类，平衡了聚类的视觉一致性；
α 阈值的调整：α 越小，保留的颜色越多（杂色越少）；α 越大，颜色简化越明显（可能丢失细节），建议根据拼豆色号数量调整（色号少则 α 大，色号多则 α 小）；
代表色的选择：必须从拼豆色号表中选取，而非直接使用聚类中心（聚类中心可能不是实际可用的拼豆色号）。

六、结果与总结展望

结果
以下是三组像素图处理前后对比
图像1：
原始颜色数: 75
最终颜色数: 37
颜色减少率: 50.7%

图6.1 猫娘处理前

图6.1 猫娘处理后

图像2：
原始颜色数: 66
最终颜色数: 24
颜色减少率: 63.6%

图6.2 戴珍珠耳环少女处理前

图6.2 戴珍珠耳环少女处理后
图像3：
原始颜色数: 36
最终颜色数: 29
颜色减少率: 19.4%

图6.3 卡拉卡拉处理前

图6.3 卡拉卡拉处理后

总结
基于拼豆的图像颜色聚类算法通过 “层次聚类 + 频率筛选 + 优化映射” 的三步策略，完美适配拼豆创作的颜色简化需求：

1. 层次聚类保证了视觉相似颜色的合并，避免颜色碎片化；
2. 频率阈值 α 筛选掉低频杂色，聚焦核心颜色；
3. 重要聚类优化和代表色映射，保证输出色号的实用性。

展望
在基于拼豆颜色聚类的像素画生成流程中，主体边缘是决定图像辨识度的核心区域 —— 边缘像素既要清晰勾勒轮廓，又要避免因全局聚类的 “平均化” 效应混入杂色，或因颜色过渡生硬破坏像素画的块感风格。针对这一痛点，后续优化可围绕 “边缘区域分离 - 专属聚类策略 - 颜色锚定约束 - 后处理提纯” 四步展开，实现边缘杂色的精准管控，同时强化轮廓表现力。

避免：

1. 边缘像素被误归为杂色：边缘像素通常是主体与背景的过渡区，单像素占比低，全局频率统计中易被判定为 “低频杂色”，进而被合并到无关聚类，导致轮廓模糊。
2. 边缘颜色过度融合：全局聚类的 ΔE 阈值是统一设定的，若为了简化非边缘区域降低阈值，会导致边缘的高对比度颜色被强行合并，丢失轮廓细节；若提高阈值，又会让非边缘区域产生过多杂色。
3. 边缘无一致性约束：同一轮廓的边缘像素可能被分配到多个聚类，出现 “彩虹边” 式的杂色，破坏像素画的色块化美感。