Objectifs

Le principal objectif des méthodes de quantification d'images couleurs est de réduire le nombre de couleurs de l'image originale en créant une distorsion minimale entre l'image quantifiée et l'image originale. Plus formellement, considérons une image $I$, nous pouvons y associer le multi-ensemble où C représente l'ensemble des couleurs présentes dans l'image et $f(c)$ le nombre de pixels de couleur $c$ dans $I$. La quantification de $I$ en $K$ couleurs, avec $K < \vert C\vert$ et usuellement $K<< \vert C\vert$, consiste à sélectionner un ensemble de $K$ couleurs représentatives et à remplacer chaque pixel de l'image originale par sa couleur représentative la plus proche. L'ensemble des couleurs représentatives $\{c_1,\dots,c_K\}$ est communément appelé la table de couleurs. La fonction qui associe à chaque couleur de l'image sa couleur représentative est appelée la fonction d'inversion de table de couleurs et est notée .

La quantification d'image peut être utilisée pour afficher une image comportant un nombre important de couleurs, comme les images 24 bits sur des terminaux ne pouvant en afficher qu'un nombre réduit. Plus généralement, la quantification de couleurs peut être vue comme un processus permettant une compression des données de l'image. Il est généralement possible de construire une image extrêmement proche de l'original avec moins de 256 couleurs. Malgré leurs faibles taux de compression, les algorithmes de quantification restent très populaires. Wu [Wu92] a souligné une importante raison de cette popularité en remarquant que ces heuristiques combinées avec des tables de couleurs matérielles permettent un décodage de l'image en temps réel.De plus, la quantification d'une image en $K$ couleurs permet de trouver les $K$ couleurs les plus significatives de celle-ci. Cette propriété peut être utilisée par les algorithmes de segmentation pour retrouver les principales régions d'une image.