【手撕算法】PatchMatch图像修复算法
新机器视觉
共 7410字，需浏览 15分钟
·
2021-04-13 13:19
点击上方“新机器视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing
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<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 = 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 < 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 = GetMinPatch1(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，𝑢_𝑖=𝑣_0+𝑤*𝛼^𝑖*𝑅_𝑖//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 SrcPatch1 = 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 SrcPatch2 = GetPatch(Src, nowrow, nowcol);//对比相似性，找出最好的块int location = GetMinPatch2(DstPatch, SrcPatch1, SrcPatch2);//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。
可以看到效果还是可以的，速度也比较快。
End
声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
评论