Farbpaletten-Extraktor

Eine typische Fotografie enthält Hunderttausende unterschiedlicher Farben, sobald jeder subtile Verlauf und Schatten einzeln gezählt wird — weit mehr, als jede nutzbare Palette zeigen könnte. Median-Cut-Quantisierung reduziert das, indem jeder Pixel eines Bildes als Punkt in einem dreidimensionalen Farbraum behandelt wird, und dann wiederholt die größte, am weitesten gestreute Gruppe entlang der Achse — Rot, Grün oder Blau — mit der größten Spannweite geteilt wird, bis die gewünschte Anzahl von Gruppen übrig bleibt. Die durchschnittliche Farbe jeder finalen Gruppe wird zu einer Palettenfarbe.

Da die Teilung davon geleitet wird, wie gestreut eine Farbgruppe ist, statt wie viele Pixel sie hat, bevorzugt das Ergebnis natürlich Farben, die sowohl häufig als auch visuell markant sind, statt einfach den häufigsten Pixelwert — eine große Fläche fast identischen Himmelblaus verdrängt nicht drei andere echt unterschiedliche Farben, die jeweils eine kleinere Fläche abdecken. Das ist derselbe Kernalgorithmus hinter der klassischen GIF- und 256-Farben-Palettengenerierung, hier angewendet, um eine Palette für die Designverwendung zu bauen, statt das Bild selbst neu zu zeichnen.

Die menschliche Aufmerksamkeit richtet sich auf das Motiv einer Fotografie — ein Gesicht, ein Produkt, einen Fokuspunkt — fast unabhängig davon, wie viel des Rahmens es tatsächlich einnimmt, während ein pixelzählender Algorithmus überhaupt kein Konzept von Motiv hat. Ein Porträt vor viel grünem Laub liefert eine von Grüntönen dominierte Palette, weil Grün tatsächlich den Großteil der Pixel ausmacht, obwohl jemand, der das Foto betrachtet, sagen würde, es „handelt" von der Person im Rahmen, nicht vom Hintergrund dahinter.

Die Lösung, wenn das passiert, ist fast immer, das Bild vor der Palettenextraktion auf den wirklich relevanten Bereich zuzuschneiden — eng auf das Motiv eines Produktfotos oder das Fokuselement eines Designentwurfs zuzuschneiden entfernt die Hintergrundpixel, die das Ergebnis verzerrten, und lässt die Palette den Teil des Bildes widerspiegeln, der tatsächlich repräsentiert werden soll.

Weniger Farben zwingen den Algorithmus zu aggressiverer Verallgemeinerung, was nützlich ist, wenn die Palette als kleine, bewusste Marken- oder Themen-Palette verwendet werden soll — drei oder vier Farben, die sich jeweils wirklich von den anderen unterscheiden müssen. Mehr Farben erfassen feinere Unterscheidungen im Ausgangsbild, produzieren aber ab etwa sieben oder mehr fast doppelte Farbtöne, die schwer zu unterscheiden sind, besonders bei Bildern mit subtilen Verläufen, wo die zusätzlichen Farben eigentlich nur Stufen entlang desselben Verlaufs sind statt bedeutend unterschiedlicher Farben.