数字图像处理之24位真彩色转256色调色边图

真彩图即RGB图0 0转256色调色板图据我查得，常用的算法有

1)流行色算法：

对图像中所有像素点的RGB值进行统计，找出出现次数最多的256种颜色作为调色板的颜色。然后将原图中的各个像素点与调色板图的颜色进行匹配，找出差异最小的颜色作为该像素点的颜色。算法特点，算法简单，容易实现，但出现失真的情况可能比较“严重”。

2)中位切分算法：

算法的基本思路是：在RGB彩色空间中，R、G、B三基色对应于空间的三个坐标轴，将每一坐标轴都量化为0～255,0对应于最暗（黑），255对应最亮，这样就形成一个边长为256的彩色立方体，所有可能的颜色都对应于立方体内的点。将该立方体切分为236个小立方体，每个立方体中都包含相同数量的在图像中出现的颜色点。取每个小立方体的中心点，则这些中心点构成236个颜色。算法特点：广泛应用于图像处理领域，但算法复杂，资源开销大。

3)(3)八叉树颜色量化算法

算法基本思路是：将图像中使用的RGB颜色值分布到层状的八叉树中。八叉树的深度可达9层，即根节点层加上分别表示8位的R、G、B值的每一位的8层节点。较低的节点层对应于较不重要的RGB值的位（右边的位），因此，为了提高效率和节省内存，可以去掉最低部的2 ~ 3层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R、G、B颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。这是一种高效的存储方式，既可以存储图像中出现的颜色和其出现的次数，也不会浪费内存来存储图像中不出现的颜色。算法特点：效率高，效果好。

这儿博主主要讲解第一种流行色算法：

由于如果要统计所有RGB颜色需要2 ^ (8 + 8 + 8)的空间。空间开销也不小，为了快速也为了节省空间，我们取RGB的前4位(后四位为0的话，最大误差是15)作为一种颜色。那么只需要2 ^ (4 + 4 + 4)的空间，时间也变得更短了，可以根据需求的精度进行选择。

对于颜色匹配，只要选取min((r - r') ^ 2 + (g - g') ^ 2 + (b - b') ^ 2))的那种颜色就好了.

由于代码不是我写的- -我就不贴了（- -囧）等考完试了补上。