GPM塊匹配算法的改進(jìn)研究.pdf

1、在大數(shù)據(jù)的背景下，批量處理圖像和視頻已經(jīng)成為一種常態(tài)。所以人們對圖像和視頻處理算法的速度要求就更高了。塊匹配算法是很多圖像和視頻處理應(yīng)用的基礎(chǔ)算法。然而，塊匹配算法卻經(jīng)常成為圖像處理應(yīng)用的性能瓶頸。解決塊匹配問題的傳統(tǒng)方法是暴力搜索，該方法雖然能保證較好的處理效果，但由于其是線性的，在處理大規(guī)模高維數(shù)據(jù)時會顯得力不從心。所以，研究人員提出了很多改進(jìn)的方法來解決塊匹配問題，例如：三步法、四步法等快速搜索算法；基于KD樹、VP樹等高效數(shù)據(jù)結(jié)

2、構(gòu)的方法；PatchMatch算法、GPM（Generalized PatchMatch）算法等基于局部一致性的方法。所有的這些方法都能在保證匹配精度的同時，一定程度的加速匹配過程。特別是，基于局部一致性的這兩種算法，極大地利用了圖像本身的特性，將塊匹配的速度提升到了一個新高度，并已經(jīng)得到了很好的應(yīng)用。
　　塊匹配的速度和精度一直是研究人員不懈的追求。雖然GPM算法已經(jīng)獲得了一個很好的匹配精度和交互度，但是其性能仍然存在改善的空間

3、。GPM算法是在位移、尺度、角度空間下進(jìn)行塊匹配計算的，主要包含初始化和迭代兩個步驟，而迭代又包含傳播和隨機(jī)搜索兩個操作。我們發(fā)現(xiàn)，在匹配結(jié)果較好的位置， GPM算法的隨機(jī)搜索階段存在一些冗余計算，這在一定程度上影響了匹配速度。并且，隨機(jī)搜索時，橫向位移、縱向位移、角度和尺度同時收縮會損失一些已經(jīng)匹配得到的有效信息，這樣會影響算法的匹配精度。
　　針對以上不足，本文提出了一種針對GPM算法的改進(jìn)算法。本文采用PatchMatch算

4、法對GPM算法進(jìn)行初始化，這樣，算法在初始化階段就獲得了較好的位移信息。然后在隨機(jī)搜索階段，本文加入兩個閾值，根據(jù)該位置當(dāng)前匹配誤差的具體情況來采取三種不同的處理方式：(1)如果當(dāng)前匹配誤差大于平均誤差，采取位移、角度、尺度同時收縮的隨機(jī)搜索方式；(2)如果當(dāng)前匹配誤差小于平均誤差，但大于平均誤差的二分之一，則固定位移，僅收縮角度和尺度；(3)如果當(dāng)前匹配誤差小于平均誤差的二分之一，則該位置不進(jìn)行隨機(jī)搜索操作。如此一來，就能充分利用當(dāng)前