+----------------------------------------------+
               | Adaptivní metody vytváření palety (iterační) |
               +----------------------------------------------+

           Poslední  skupinou metod kvantování barev jsou iterační metody.
     Tyto  metody  zpravidla  používají pro získání optimální palety barev
     více průchodů.

           Metoda  nazvaná  K-means,  nebo  též  podle  svých  tvůrců  LBG
     algorithm, vychází z myšlenky stanovení kriteria optimality vytvářené
     palety  a  postupné  optimalizace  tohoto  kriteria.  Jako  kriterium
     optimality  je  zde  stanoven  Quantization  Root  Mean  Square Error
     (QRMSE),  což  je  kvadratická směrodatná odchylka počítaná přes celý
     obraz.  Dalším  možným kriteriem je přímo kvadrát rozdílu vzdáleností
     barevných  reprezentantů  od vytvářené palety. Optimalizace uvedeného
     kriteria  je N rozměrný problém (až 256 rozměrů), což je obecně velmi
     náročný   úkol   [24].  Metoda  LBG  využívá  omezení  prohledávaného
     prostoru,  některé  závěry  dynamického  (diskrétního) programování a
     geometrického významu barev v RGB prostoru. Metoda má dobré výsledky,
     ale pro svou velkou časovou náročnost se nevyužívá [2].

           Jiné  algoritmy  používají například neuronové sítě k vytváření
     hyperprostoru  v  RGB  krychli. Jako trénovací množiny se zde využívá
     množina  reprezentantů  a  jejich výstupy tvoří uniformě nebo náhodně
     rozdělená  paleta.  Využívá  se  pak  nelinearity  a  optimalizačního
     charakteru  neuronových sítí, při jejichž učení se vznikající prostor
     neformuje  jen  podle  předem zadané množiny tříd. Odkazy na takovéto
     postupy lze nalézt například v [3].


            výheň