使用C++如何实现PatchMatch图像修复算法

今天小编给大家分享的是使用c++如何实现PatchMatch图像修复算法，相信很多人都不太了解，为了让大家更加了解，所以给大家总结了以下内容，一起往下看吧。一定会有所收获的哦。

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）。

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<uchar>(i, j) == search){Off.at<Vec2f>(i, j)[0] = 0;  //<Vec2f> 向量，2维，浮点数Off.at<Vec2f>(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_rowint 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<uchar>(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<Vec2f>(i, j)[0] = r_row;Off.at<Vec2f>(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 < Vec3b >(i, j)[k] - Dst.at < Vec3b >(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 < Vec2f >(row, col)[0],col + Off.at < Vec2f >(row, col)[1]);//提取(row, col-1)的match块Mat LSrcPatch = GetPatch(Src, row + Off.at < Vec2f >(row, col - 1)[0],col - 1 + Off.at < Vec2f >(row, col - 1)[1]);//提取(row-1, col)的match块Mat USrcPatch = GetPatch(Src,row - 1 + Off.at < Vec2f >(row - 1, col)[0],col + Off.at < Vec2f >(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 = GetMinPatch2(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 < Vec2f >(row, col)[0] = Off.at < Vec2f >(row, col - 1)[0];Off.at < Vec2f >(row, col)[1] = Off.at < Vec2f >(row, col - 1)[1] - 1;break;case 3:Off.at < Vec2f >(row, col)[0] = Off.at < Vec2f >(row - 1, col)[0] - 1;Off.at < Vec2f >(row, col)[1] = Off.at < Vec2f >(row - 1, col)[1];break;}}else//奇数次迭代{Mat SrcPatch = GetPatch(Src, row + Off.at < Vec2f >(row, col)[0],col + Off.at < Vec2f >(row, col)[1]);Mat RSrcPatch = GetPatch(Src, row + Off.at < Vec2f >(row, col + 1)[0],col + 1 + Off.at < Vec2f >(row, col + 1)[1]);Mat DSrcPatch = GetPatch(Src,row + 1 + Off.at < Vec2f >(row + 1, col)[0],col + Off.at < Vec2f >(row + 1, col)[1]);int location = GetMinPatch2(DstPatch, SrcPatch, RSrcPatch, DSrcPatch);switch (location){case 2:Off.at < Vec2f >(row, col)[0] = Off.at < Vec2f >(row, col + 1)[0];Off.at < Vec2f >(row, col)[1] = Off.at < Vec2f>(row, col + 1)[1] + 1;break;case 3:Off.at < Vec2f >(row, col)[0] = Off.at < Vec2f>(row + 1, col)[0] + 1;Off.at < Vec2f >(row, col)[1] = Off.at < Vec2f >(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，?_?=?_0+?*?^?*?_?//行列分别处理，MaxWindow：原始框宽度；divcol：随机系数；pow(A,B):A的B次方。随迭代次数而变小的缩小系数；RandomAttenuation=0.5；float veccol = MaxWindow * pow(RandomAttenuation, attenuate)* divcol;float vecrow = MaxWindow * pow(RandomAttenuation, attenuate)* divrow;float length = sqrt(veccol * veccol + vecrow * vecrow);//如果低于1个像素，没有意义，直接结束整个循环，对下一个像素处理if (length < 1)break;//x方向,前2项指向(row, col)的match块，后面是公式的后一项int nowrow = row + Off.at < Vec2f >(row, col)[0] + vecrow;//y方向int nowcol = col + Off.at < Vec2f >(row, col)[1] + veccol;//判断随机搜索的patch不越界，在search内if (nowcol >= 0 && nowcol <= Off.cols - 1 && nowrow >= 0&& nowrow <= Off.rows - 1&& Mask.at < uchar >(nowrow, nowcol) == search&& abs(nowrow - row) < searchrowratio * Mask.rows)//abs：绝对值{//取出原来的match块Mat SrcPatch2 = GetPatch(Src, Off.at < Vec2f >(row, col)[0] + row,Off.at < Vec2f >(row, col)[1] + col);//取出现在的随机match块Mat SrcPatch3 = GetPatch(Src, nowrow, nowcol);//对比相似性，找出最好的块int location = GetMinPatch3(DstPatch, SrcPatch2, SrcPatch3);//结合最好的相似块给像素新的偏置值switch (location){case 2:Off.at < Vec2f >(row, col)[1] = nowcol - col;Off.at < Vec2f >(row, col)[0] = nowrow - row;break;}}//迭代指数增加attenuate++;}}

经过该两个步骤，本次迭代完毕。

当最终迭代完成后，就完成了整个修复过程。

算法效果

可以看到效果还是可以的，速度也比较快。

关于使用C++如何实现PatchMatch图像修复算法就分享到这里了，希望以上内容可以对大家有一定的参考价值，可以学以致用。如果喜欢本篇文章，不妨把它分享出去让更多的人看到。