这篇文章主要介绍了C++实现PatchMatch图像修复算法,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
PatchMatch算法出自Barnes的论文
PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing
PatchMatch 算法就是一个找近似最近邻（Approximate Nearest neigbhor)的方法，要比其他ANN算法快上10倍+。
将下面的图理解了，就基本理解了整个算法。
看上图时，我们以蓝色为主颜色。A代表原图像，矩形框代表待修复的patch块，要修复patch_A块就需要在B（也是原图）中搜索一个最合适的块patch_B，而从patch_A到patch_B的偏移量，就是上图箭头，也就是offset。
蓝色为主patch块，红色是蓝色向左移一个像素，绿色是蓝色向上移一个像素。
上图 (a)：随机初始化 (b)：传播 ©：随机扰动搜索
PatchMatch 的核心思想是利用图像的连续性（consistence）， 一个图像A的patch_A（蓝色）附近的Patch块（红色绿色）的最近邻（B中的红色绿色框）最有可能出现在Patch_A的最近邻（B中的蓝色框）附近，利用这种图像的连续性大量减少搜索的范围，通过迭代的方式保证大多数点能尽快收敛。
PatchMatch算法是对所有待修复像素迭代修复的，而不是像Criminisi或FMM算法对待修复区域像素优先级排序后进行渐进修复的。
来看算法步骤：
首先是建立图像的下采样金字塔模型，代码中设定为五层，建立模型后
对A的待修复区域每个patch块随机在B已知区域中匹配一个patch块，即初始化偏置地图（上图a步骤）。
/********************************* 函数声明：初始化偏置图像 参数：NONE 注释：NONE 测试：NONE **********************************/ void PatchMatch::InitOff(Mat Mask, Mat &Off) { //为方便起见，将所有的都附上，要求不能赋值到非搜索区域 //初始化格式 Off = Mat(Mask.size(), CV_32FC2, Scalar::all(0));//2维无符号32位精度浮点数 for (int i = 0; i <Mask.rows; i++) { for (int j = 0; j <Mask.cols; j++) { //不考虑search区域，没有破损，他们的最佳偏移向量当然是0，自己 if (Mask.at(i, j) == search) { Off.at(i, j)[0] = 0; // 向量，2维，浮点数 Off.at(i, j)[1] = 0; } else//处理hole，采用随机偏置 { //先初始化2个偏置数r_col,r_row int r_col = rand() % Mask.cols; //rand（）产生随机数，主要是产生一个偏置的初始值 int r_row = rand() % Mask.rows; r_col = r_col + j <Mask.cols ? r_col : r_col - Mask.cols;//边界检测 r_row = r_row + i <Mask.rows ? r_row : r_row - Mask.rows; //为什么要有这个循环？因为一次的随机赋值，很可能会出现偏置后的块跑到破损区域，或者是超出限定搜索框的边界 while ( !(Mask.at(r_row + i, r_col + j) == search //这里加上I，j，是因为他是A投影到B中的搜索偏置 && abs(r_row) <searchrowratio*Mask.rows)) //searchrowratio=0.5，搜索的时候,确保r_row偏置不会太远，一定是在原图像的大小里 { r_col = rand() % Mask.cols; r_row = rand() % Mask.rows; //边界检测 r_col = r_col + j <Mask.cols ? r_col : r_col - Mask.cols; r_row = r_row + i <Mask.rows ? r_row : r_row - Mask.rows; } //赋偏置值 Off.at(i, j)[0] = r_row; Off.at(i, j)[1] = r_col; } } } }
之后从低分辨率开始，对于每一层金字塔模型进行迭代：
每一次迭代都会遍历原图A待来源gaodai$ma#com搞$$代**码)网修复区域所有像素。当遍历到当前像素时，执行下面的步骤来进行修复：
步骤一：传播（图中b步骤）
传播会计算原图A当前像素块patch_A（蓝色）对应的B中的patch_B_1，patch_A上方（绿色）（奇数次迭代为下方）对应的B中的patch_B_2，patch_A左侧（红色）（奇数次迭代为右侧）对应的B中的patch_B_3这三个patch块中与patch_A相似度最高的patch块。
计算相似度函数为
//以块为单位，用所有像素点的相同颜色通道的差平方来简单判断相似度 float PatchMatch::Distance(Mat Dst, Mat Src) { float distance = 0; for (int i = 0; i <Dst.rows; i++) { for (int j = 0; j <Dst.cols; j++) { for (int k = 0; k <3; k++)//K=3个颜色通道 { int tem = Src.at (i, j)[k] - Dst.at (i, j)[k]; distance += tem * tem;//差平方 } } } return distance; }
传播函数：
//迭代第一步：传播 //（now_row, now_col）：patch里的像素 //odd：当前迭代次 void PatchMatch::Propagation(Mat Dst, Mat Src, Mat Mask, Mat &Off, int row, int col,int odd) { Mat DstPatch = GetPatch(Dst, row, col);//获取长度为 patchsize = 3 的边界框, (row, col)代表的是中心像素点坐标 if (odd % 2 == 0)//偶次迭代 { //提取(row, col)的match块 Mat SrcPatch = GetPatch(Src, row + Off.at (row, col)[0], col + Off.at (row, col)[1]); //提取(row, col-1)的match块 Mat LSrcPatch = GetPatch(Src, row + Off.at (row, col - 1)[0], col - 1 + Off.at (row, col - 1)[1]); //提取(row-1, col)的match块 Mat USrcPatch = GetPatch(Src, row - 1 + Off.at (row - 1, col)[0], col + Off.at (row - 1, col)[1]); //返回上面4个块最相似的块的代表数字，用于switch判断 int location = GetMinPatch1(DstPatch, SrcPatch, LSrcPatch, USrcPatch); //利用上面的信息更新像素点的偏置地图 switch (location) { //若是1则不更新 case 2: Off.at (row, col)[0] = Off.at (row, col - 1)[0]; Off.at (row, col)[1] = Off.at (row, col - 1)[1] - 1; break; case 3: Off.at (row, col)[0] = Off.at (row - 1, col)[0] - 1; Off.at (row, col)[1] = Off.at (row - 1, col)[1]; break; } } else//奇数次迭代 { Mat SrcPatch = GetPatch(Src, row + Off.at (row, col)[0], col + Off.at (row, col)[1]); Mat RSrcPatch = GetPatch(Src, row + Off.at (row, col + 1)[0], col + 1 + Off.at (row, col + 1)[1]); Mat DSrcPatch = GetPatch(Src, row + 1 + Off.at (row + 1, col)[0], col + Off.at (row + 1, col)[1]); int location = GetMinPatch1(DstPatch, SrcPatch, RSrcPatch, DSrcPatch); switch (location) { case 2: Off.at (row, col)[0] = Off.at (row, col + 1)[0]; Off.at (row, col)[1] = Off.at (row, col + 1)[1] + 1; break; case 3: Off.at (row, col)[0] = Off.at (row + 1, col)[0] + 1; Off.at (row, col)[1] = Off.at (row + 1, col)[1]; break; } } }
步骤二：随机扰动搜索（图中c步骤）
为了避免陷入局部极值，再额外再随机生成几个patch位置作为候选patch块，若小于当前patch，则更新。
随机扰动会在原图A中，以当前像素为中心点，初始半径区域为全图，在此区域内随机找寻patch块并与patch_A原本对应的B中的patch块对比，若更相似则更新对应关系offset，然后以新的patch_B为中心，半径缩小一倍，继续搜索，直到半径缩小为1，更新完毕。
//迭代第二步：随机搜索 //（row,col）=（now_row, now_col）：修复patch里的像素 void PatchMatch::RandomSearch(Mat Dst, Mat Src, Mat Mask, Mat &Off, int row, int col) { Mat DstPatch = GetPatch(Dst, row, col);//获取修复基准框，在框内操作 //迭代指数 int attenuate = 0; while (true) { //获取随机参数，在 [-1;1] 间 float divcol = rand() % 2000 / 1000.0f - 1.0f; float divrow = rand() % 2000 / 1000.0f - 1.0f; //减小框大小的公式，
以上就是C++实现PatchMatch图像修复算法的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：C++实现PatchMatch图像修复算法 
