Color image quantization is a significant procedure of reducing the huge range of color values of a digital color image into a limited range. In this paper, an automated clustering of pixels and color quantization algorithm is proposed. The ideal number of representative colors is unknown beforehand in most color quantization algorithms. This is an important handicap in most practical cases. The proposed color quantization approach (PPCS) is able to automatically estimate an appropriate number of colors in a quantized palette. Hence, PPCS requires no number of representative colors to be set in advance. This algorithm has two main steps to follow: color palette design and pixel mapping. The color palette is generated by the combination of the entire peaks of all color component histograms. Such that, all color component histogram was smoothed in order to remove unreliable peaks. Next, unreliable colors will be removed from the palette. Then, each pixel in the image will be assigned to the cluster (unit color in the palette) which has the least Euclidean distance. To evaluate the ability of the PPCS, 22 images from Berkeley segmentation dataset have been randomly selected and tested with PPCS and also by two well-known quantization algorithms. The numerical evaluations have been carried out by using computation time, PSNR, MSE, and SSIM performance criteria. Both visual and numerical evaluations reveal that the proposed method presents promising quantization results. Such that, PPCS is ranked first, second, first and first according to PSNR, MSE, SSIM and computation time, respectively.

彩色图像量化是将数字彩色图像的色彩值的巨大范围减小到有限范围内的重要过程。本文提出了一种像素自动聚类和颜色量化算法。在大多数颜色量化算法中，代表颜色的理想数量是未知的。在大多数实际情况下，这是一个重要的障碍。提出的颜色量化方法（PPCS）能够自动估计量化调色板中适当数量的颜色。因此，PPCS不需要预先设置多种代表色。该算法有两个主要步骤：调色板设计和像素映射。调色板是由所有颜色分量直方图的整个峰的组合生成的。这样 对所有颜色分量直方图进行平滑处理，以去除不可靠的峰。接下来，将从调色板中删除不可靠的颜色。然后，将图像中的每个像素分配给具有最小欧几里得距离的聚类（调色板中的单位颜色）。为了评估PPCS的能力，已经从Berkeley分割数据集中随机选择了22张图像，并使用PPCS以及两种众所周知的量化算法对其进行了测试。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。不可靠的颜色将从调色板中删除。然后，将图像中的每个像素分配给具有最小欧几里得距离的聚类（调色板中的单位颜色）。为了评估PPCS的能力，已经从Berkeley分割数据集中随机选择了22张图像，并使用PPCS以及两种众所周知的量化算法对其进行了测试。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。不可靠的颜色将从调色板中删除。然后，图像中的每个像素将被分配给具有最小欧几里得距离的聚类（调色板中的单位颜色）。为了评估PPCS的能力，已经从Berkeley分割数据集中随机选择了22张图像，并使用PPCS以及两种众所周知的量化算法对其进行了测试。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。图像中的每个像素都将分配给具有最小欧几里得距离的聚类（调色板中的单位颜色）。为了评估PPCS的能力，已经从Berkeley分割数据集中随机选择了22张图像，并使用PPCS以及两种众所周知的量化算法对其进行了测试。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。图像中的每个像素都将分配给具有最小欧几里得距离的聚类（调色板中的单位颜色）。为了评估PPCS的能力，已经从Berkeley分割数据集中随机选择了22张图像，并使用PPCS以及两种众所周知的量化算法对其进行了测试。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。通过使用计算时间，PSNR，MSE和SSIM性能标准进行了数值评估。视觉和数值评估都表明，所提出的方法提出了有希望的量化结果。这样，PPCS分别根据PSNR，MSE，SSIM和计算时间排名第一，第二，第一和第一。