《表2 不同量化方法的结果比较 (K=128)》
为了进一步更全面的比较,在表1中列出了这六种方法对K=256时的量化数据及CPU运行时间。通过对比可以发现,本方法在量化效果上优于OCTREE、MedCut、Wu Xiaolin法以及FCM,与K-Means方法相当。在计算时间上,本方法虽不及OCTREE、MedCut和Wu Xiaolin法,但却比FCM和K-Means的计算时间小得多,K-Means方法处理这些测试图像平均需要1 385.89 s,而本方法平均仅仅需要9.18 s,大约比不加速的K-Means方法平均快150倍左右。在表2中,列出了这六种方法对K=128时的量化效果及CPU运行时间。同表1数据一样,也能得到类似的结果。在这组数据中,不加速的K-Means方法处理这些测试图像平均需要365.24 s,而加速方法平均仅需要5.07 s,大约比不加速的K-Means方法平均快70倍左右。表3列出了在K=200时的K-Means及加速的K-Means方法的性能数据。通过该表的实验数据可知。用K-Means方法量化24幅实验图像,平均需要211.91次的迭代次数才收敛,量化每幅图像平均需要517.75 s,平均每次迭代的运行时间为2.44 s;而加速的方法平均需要20.25次的迭代次数就收敛,量化每幅图像平均需要8.40 s,平均每次迭代时间需要0.41 s。由此可见,基于量化误差向量加速的K-Means方法,其加速具体体现在以少得多的迭代次数和少得多的每次迭代运行时间达到相似的量化效果。
图表编号 | XD0090164200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.15 |
作者 | 伍健、邓梦薇、缪建群 |
绘制单位 | 江西农业大学数学系、江西农业大学数学系、江西农业大学数学系 |
更多格式 | 高清、无水印(增值服务) |