C++實現PatchMatch圖像修復算法
PatchMatch算法出自Barnes的論文
PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing
PatchMatch 算法就是一個找近似最近鄰(Approximate Nearest neigbhor)的方法,要比其他ANN算法快上10倍+。
將下面的圖理解瞭,就基本理解瞭整個算法。
看上圖時,我們以藍色為主顏色。A代表原圖像,矩形框代表待修復的patch塊,要修復patch_A塊就需要在B(也是原圖)中搜索一個最合適的塊patch_B,而從patch_A到patch_B的偏移量,就是上圖箭頭,也就是offset。
藍色為主patch塊,紅色是藍色向左移一個像素,綠色是藍色向上移一個像素。
上圖 (a):隨機初始化 (b):傳播 ©:隨機擾動搜索
PatchMatch 的核心思想是利用圖像的連續性(consistence), 一個圖像A的patch_A(藍色)附近的Patch塊(紅色綠色)的最近鄰(B中的紅色綠色框)最有可能出現在Patch_A的最近鄰(B中的藍色框)附近,利用這種圖像的連續性大量減少搜索的范圍,通過迭代的方式保證大多數點能盡快收斂。
PatchMatch算法是對所有待修復像素迭代修復的,而不是像Criminisi或FMM算法對待修復區域像素優先級排序後進行漸進修復的。
來看算法步驟:
首先是建立圖像的下采樣金字塔模型,代碼中設定為五層,建立模型後
對A的待修復區域每個patch塊隨機在B已知區域中匹配一個patch塊,即初始化偏置地圖(上圖a步驟)。
/********************************* 函數聲明:初始化偏置圖像 參數:NONE 註釋:NONE 測試:NONE **********************************/ void PatchMatch::InitOff(Mat Mask, Mat &Off) { //為方便起見,將所有的都附上,要求不能賦值到非搜索區域 //初始化格式 Off = Mat(Mask.size(), CV_32FC2, Scalar::all(0));//2維無符號32位精度浮點數 for (int i = 0; i < Mask.rows; i++) { for (int j = 0; j < Mask.cols; j++) { //不考慮search區域,沒有破損,他們的最佳偏移向量當然是0,自己 if (Mask.at<uchar>(i, j) == search) { Off.at<Vec2f>(i, j)[0] = 0; //<Vec2f> 向量,2維,浮點數 Off.at<Vec2f>(i, j)[1] = 0; } else//處理hole,采用隨機偏置 { //先初始化2個偏置數r_col,r_row int r_col = rand() % Mask.cols; //rand()產生隨機數,主要是產生一個偏置的初始值 int r_row = rand() % Mask.rows; r_col = r_col + j < Mask.cols ? r_col : r_col - Mask.cols;//邊界檢測 r_row = r_row + i < Mask.rows ? r_row : r_row - Mask.rows; //為什麼要有這個循環?因為一次的隨機賦值,很可能會出現偏置後的塊跑到破損區域,或者是超出限定搜索框的邊界 while ( !(Mask.at<uchar>(r_row + i, r_col + j) == search //這裡加上I,j,是因為他是A投影到B中的搜索偏置 && abs(r_row) < searchrowratio*Mask.rows)) //searchrowratio=0.5,搜索的時候,確保r_row偏置不會太遠,一定是在原圖像的大小裡 { r_col = rand() % Mask.cols; r_row = rand() % Mask.rows; //邊界檢測 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; } //賦偏置值 Off.at<Vec2f>(i, j)[0] = r_row; Off.at<Vec2f>(i, j)[1] = r_col; } } } }
之後從低分辨率開始,對於每一層金字塔模型進行迭代:
每一次迭代都會遍歷原圖A待修復區域所有像素。當遍歷到當前像素時,執行下面的步驟來進行修復:
步驟一:傳播(圖中b步驟)
傳播會計算原圖A當前像素塊patch_A(藍色)對應的B中的patch_B_1,patch_A上方(綠色)(奇數次迭代為下方)對應的B中的patch_B_2,patch_A左側(紅色)(奇數次迭代為右側)對應的B中的patch_B_3這三個patch塊中與patch_A相似度最高的patch塊。
計算相似度函數為
//以塊為單位,用所有像素點的相同顏色通道的差平方來簡單判斷相似度 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個顏色通道 { int tem = Src.at < Vec3b >(i, j)[k] - Dst.at < Vec3b >(i, j)[k]; distance += tem * tem;//差平方 } } } return distance; }
傳播函數:
//迭代第一步:傳播 //(now_row, now_col):patch裡的像素 //odd:當前迭代次 void PatchMatch::Propagation(Mat Dst, Mat Src, Mat Mask, Mat &Off, int row, int col,int odd) { Mat DstPatch = GetPatch(Dst, row, col);//獲取長度為 patchsize = 3 的邊界框, (row, col)代表的是中心像素點坐標 if (odd % 2 == 0)//偶次迭代 { //提取(row, col)的match塊 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塊 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塊 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個塊最相似的塊的代表數字,用於switch判斷 int location = GetMinPatch1(DstPatch, SrcPatch, LSrcPatch, USrcPatch); //利用上面的信息更新像素點的偏置地圖 switch (location) { //若是1則不更新 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//奇數次迭代 { 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; } } }
步驟二:隨機擾動搜索(圖中c步驟)
為瞭避免陷入局部極值,再額外再隨機生成幾個patch位置作為候選patch塊,若小於當前patch,則更新。
隨機擾動會在原圖A中,以當前像素為中心點,初始半徑區域為全圖,在此區域內隨機找尋patch塊並與patch_A原本對應的B中的patch塊對比,若更相似則更新對應關系offset,然後以新的patch_B為中心,半徑縮小一倍,繼續搜索,直到半徑縮小為1,更新完畢。
//迭代第二步:隨機搜索 //(row,col)=(now_row, now_col):修復patch裡的像素 void PatchMatch::RandomSearch(Mat Dst, Mat Src, Mat Mask, Mat &Off, int row, int col) { Mat DstPatch = GetPatch(Dst, row, col);//獲取修復基準框,在框內操作 //迭代指數 int attenuate = 0; while (true) { //獲取隨機參數,在 [-1;1] 間 float divcol = rand() % 2000 / 1000.0f - 1.0f; float divrow = rand() % 2000 / 1000.0f - 1.0f; //減小框大小的公式,𝑢_𝑖=𝑣_0+𝑤*𝛼^𝑖*𝑅_𝑖 //行列分別處理,MaxWindow:原始框寬度;divcol:隨機系數;pow(A,B):A的B次方。隨迭代次數而變小的縮小系數;RandomAttenuation=0.5; float veccol = MaxWindow * pow(RandomAttenuation, attenuate)* divcol; float vecrow = MaxWindow * pow(RandomAttenuation, attenuate)* divrow; float length = sqrt(veccol * veccol + vecrow * vecrow); //如果低於1個像素,沒有意義,直接結束整個循環,對下一個像素處理 if (length < 1) break; //x方向,前2項指向(row, col)的match塊,後面是公式的後一項 int nowrow = row + Off.at < Vec2f >(row, col)[0] + vecrow; //y方向 int nowcol = col + Off.at < Vec2f >(row, col)[1] + veccol; //判斷隨機搜索的patch不越界,在search內 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:絕對值 { //取出原來的match塊 Mat SrcPatch1 = GetPatch(Src, Off.at < Vec2f >(row, col)[0] + row, Off.at < Vec2f >(row, col)[1] + col); //取出現在的隨機match塊 Mat SrcPatch2 = GetPatch(Src, nowrow, nowcol); //對比相似性,找出最好的塊 int location = GetMinPatch2(DstPatch, SrcPatch1, SrcPatch2); //結合最好的相似塊給像素新的偏置值 switch (location) { case 2: Off.at < Vec2f >(row, col)[1] = nowcol - col; Off.at < Vec2f >(row, col)[0] = nowrow - row; break; } } //迭代指數增加 attenuate++; } }
經過該兩個步驟,本次迭代完畢。
當最終迭代完成後,就完成瞭整個修復過程。
算法效果
可以看到效果還是可以的,速度也比較快。
到此這篇關於C++實現PatchMatch圖像修復算法的文章就介紹到這瞭,更多相關C++ PatchMatch圖像修復算法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- None Found