PatchMatch核心算法（一）

最近patchmatch算法，这是一个很神奇的算法，利用概率的思想进行快匹配。
有些文章也讲过Patchmatch算法，写的不错，我这里就用最好理解的语言记录下自己的理解吧。

patchmatch 算法可以分为3步。下面用图的方式展示出来;
第一步：初始化

翻译为：初始化，将A图中每一个像素，随机的赋予一个偏移量(offset)，在B图中找到一个像素与之对应。
图中为选取了全图的3个像素作为展示。

第二步：传播

这个过程我理解了一会儿，首先翻译为：每个像素检查来自相邻块的偏移是否提供了更好的匹配， 如果是，则采用邻居的补丁偏移量。（不好理解吧）
下面是我的理解：看图，就是首先以A中蓝色的块和B中对应的偏移的块做一个相似度比较，记录为simliar1，然后将蓝色块又和B中绿色和红色的块做相似度比较，记录为simliar2（绿色），simliar3(红色)，比较simliar1,simliar2,sinliar3,B哪一个块和A中蓝色块最相似，就将A中对应块的的偏移量赋值给蓝色块（就是这里不好理解，我举个例子，如果simliar1最大，这A中蓝色块的偏移量不变，还是对应B中蓝色块，如果simliar2最大，则将A中绿色块的偏移量赋值给蓝色块。这样蓝色快对应的就是B中绿色块了，如果simliar3最大，则同理，将A中红色块的偏移量赋值给蓝色块。这样蓝色快对应的就是B中红色块了）。这样懂了吧，

很显然，这个过程是找不到最匹配的块的，所以就有第三步：搜索

翻译：每一个像素点在以现在的偏移量为中心的同心圆内部，找到一个更加匹配的偏移量，代替当前偏移量 。
搜索的半径开始为图片的尺寸，然后以1/2的收敛速度减少半径，直到radius=1,结束。（我觉得这个收敛速度不一定是1/2，越大，收敛的越慢，但是越准确。）

好了，现在有了这3步，就可以开始迭代了，也就是重复第2和第3步，直到每个像素点都找到最合适最准确的偏移量，也就是A中每个像素都找到B中与之最匹配的像素。一般5次迭代就够了。

大家看了，然后结合一下相关代码，应该就可以理解这个算法啦。

在图像重构中的应用:
步骤:
1.给定A,B两幅图(A清晰,B模糊),在A中寻找清晰的块重构B,取代模糊的B
2.初始化一个offset矩阵,B中每个模糊的Patch的中心点坐标加上offset矩阵中的偏移量,就对应A中内容相同的清晰的块.
这个对应肯定是错的,所以要更新offset矩阵中的偏移值.
3.开始迭代(迭代的目的就是更新offset矩阵的偏移值,让对应关系变得更加准确),
每次迭代包括传播和随机搜索两个过程.
3.1.传播:
计算模糊B中patch和A中对应清晰的3个patch的均方差值,这3个patch就是当前offset对应的patch+往左边偏移一个pixel的patch+往上边偏移一个pixel的patch,取最小的一个patch的偏移量的坐标跟新当前的offset,也可能不更新.
3.2.随机搜索
在清晰块A中,以当前patch的中心点为中心,初始半径区域为全图,在这个区域内部随机寻找清晰块和模糊Bpatch做均方差,如果差值更小就跟新offset,根据新的offset从新更新A中搜索区域中心点,接着上一次的收缩速度收缩半径缩小,直到缩小的半径为1,停止本次迭代.
4.根据多次迭代后的offset表,在清晰图A中找块来重构B.