mを色テーブルのサイズとする。画像中の全ての色を色ベクトルの学習集合と 考えると、色テーブルの作成はベクトル量子化のコードブックを作成すること に他ならない。ゆえに、この問題は、5章や7章で述べたVQアルゴリズムで解決 できる。
例えば、EquitzのPNNアルゴリズム(5.3.4節)を色テーブル作成に用いることが できる。一旦色テーブルが与えられたら、7.2.1節のバブリングアルゴリズム を色のマッピング識別関数の作成に使うことができる。
カラー図11のように色ヒストグラムが片寄っているときは、PNNアルゴリズム は大量の類似色(この場合は青色)に対してごく少数の代表色しか割り当てな い。そこで、色ヒストグラムを重みづけに利用した重みつきPNNアルゴリズム が開発される必要がある。
このアルゴリズムでは、学習用色が幾つ1つのクラスタに属しているかを重み とし、二つの隣接するクラスタの比較をするときに、その重みに応じたペナル ティが付加される。その結果、重い(学習用色の割り当ての多い?)クラスタ に併合される可能性は少なくなり、良く使われる色には代表色がたくさん割り 当てられるようになる。