八叉树图像处理的java简单实现

一晃工作有段时间了，第一次写博客，有点不知道怎么写，大家将就着看吧，说的有什么不正确的也请大家指正。
最近工作中用到了一个图像压缩的功能。找了一些工具，没有太好的选择。最后选了一个叫jdeli的，奈何效率又成了问题。我迫于无奈就只能研究了下它的源码，却发现自己对它的一个减色量化算法起了兴趣，可是尴尬的自己完全不明白它写的什么，就起了一个自己实现一个量化颜色算法的念头。

自己找了一些资料，找到三个比较常用的颜色处理算法：

流行色算法：

具体的算法就是，先对一个图像的所有颜色出现的次数进行统计，选举出出现次数最多的256个颜色作为图片的调色板的颜色，然后再次遍历图片的所有像素，对每个像素找出调色板中的最接近的颜色（这里我用的是方差的方式），写回到图片中。这个算法的实现比较简单，但是失真比较严重，图像中一些出现频率较低， 但对人眼的视觉效挺明显的信息将丢失。比如，图像中存在的高亮度斑点，由于出现的次数少， 很可能不能被算法选中，将被丢失。

中位切分算法：

这个算法我没有研究，想要了解的同学，可以看下这篇文章,里面有三种算法的介绍。

八叉树

这个算法就是我最后选用的算法，它的主要思想就是把图像的RGB颜色值转成二进制分布到八叉树中，例如：（173,234,144）

转成二进制就是（10101101,11101010,10010000），将R,G,B的第一位取出来组成（111），作为root节点的子节点，其中111作为root子节点数组的索引，以此类推，一直到最后一位，然后在叶子节点上存放这个颜色的分量值以及其出现的次数。具体看图。



其中我比较疑惑的有一个处理就是叶子节点的合并策略，这儿我用的最笨的一个方法，就是找到层次最深的节点，然后合并，有点简单粗暴，有别的比较好的方法，也请大家给我留言。图片太大上传不了了，直接上代码了，代码没有重构，大家凑合看吧。

package com.gys.pngquant.octree;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
*
*
* @ClassName   类名：Node
* @Description 功能说明：
* <p>
*      八叉树实现
* </p>
**********************************************************
* @date        创建日期：2015-12-16
* @author      创建人：guoys
* @version     版本号：V1.0
* <p>
***************************修订记录*****************
*
*   2015-12-16   guoys  创建该类功能。
*
**********************************************************
* </p>
*/
public class Node{

private int depth = 0;// 为0时为root节点<
4000
/span>
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.getChildre
8840
n()) {
fillArray(child, result, offset);
}
}
}
}

可怜我大学唯二挂的数据结构。代码实现的只是八叉树，对一个1920*1080 图片量化，耗时大概是450ms，如果层次-2的话大概是100ms左右。

好吧，这篇就这样吧，本来写之前，感觉自己想说的挺多的，结果写的时候就不知道怎么说了，大家见谅。