Question

我正在编写一个可以生成图像的程序。我想要的一个衡量标准是图像中“自相似”的数量。我编写了以下代码，用于查找图片中每个sizeWindow * sizeWindow窗口的countBest-th最佳匹配：

double Pattern::selfSimilar(int sizeWindow, int countBest) {
    std::vector<int> *pvecount;

    double similarity;
    int match;
    int x1;
    int x2;
    int xWindow;
    int y1;
    int y2;
    int yWindow;

    similarity = 0.0;

    // (x1, y1) is the original that's looking for matches.

    for (x1 = 0; x1 < k_maxX - sizeWindow; x1++) {
        for (y1 = 0; y1 < k_maxY - sizeWindow; y1++) {
             pvecount = new std::vector<int>();

             // (x2, y2) is the possible match.
             for (x2 = 0; x2 < k_maxX - sizeWindow; x2++) {
                 for (y2 = 0; y2 < k_maxY - sizeWindow; y2++) {
                     // Testing... 
                     match = 0;

                     for (xWindow = 0; xWindow < sizeWindow; xWindow++) {
                         for (yWindow = 0; yWindow < sizeWindow; yWindow++) {
                             if (m_color[x1 + xWindow][y1 + yWindow] == m_color[x2 + xWindow][y2 + yWindow]) {
                                 match++;
                             }
                         }
                     }

                     pvecount->push_back(match);
                 }
             }

             nth_element(pvecount->begin(), pvecount->end()-countBest, pvecount->end());

             similarity += (1.0 / ((k_maxX - sizeWindow) * (k_maxY - sizeWindow))) *
                 (*(pvecount->end()-countBest) / (double) (sizeWindow * sizeWindow));

             delete pvecount;
        }
    }

    return similarity;
}

好消息是算法按照我想要的方式执行：它将返回一个从0.0到1.0的值，关于图片的“自相似”。

坏消息 - 我确信你已经注意到了 - 这个算法非常慢。运行需要(k_maxX - sizeWindow) * (k_maxY - sizeWindow) * (k_maxX - sizeWindow) * (k_maxY - sizeWindow) * sizeWindow * sizeWindow个步骤。

变量的一些典型值：

k_maxX = 1280
k_maxY = 1024
sizeWindow = between 5 and 25
countBest = 3, 4, or 5
m_color[x][y] is defined as short m_color[k_maxX][k_maxY] with values between 0 and 3 (but may increase in the future.)

现在，我不担心pvecount占用的内存占用量。之后，我可以使用一个排序数据集，当它小于countBest时不会添加另一个元素。我只担心算法速度。

如何加快速度？

Answer 1

好的，首先，这种方法根本不稳定。如果向图像添加随机噪声，则会大大降低两幅图像之间的相似度。更重要的是，从图像处理的角度来看，它效率不高或特别好。我建议另一种方法;例如，使用基于小波的方法。如果您在图像上执行了2d DWT几个级别并比较了缩放系数，则可能会获得更好的结果。另外，离散小波变换是O（n）。

缺点是小波是一个高级数学主题。关于小波和滤波器组的一些很好的OpenCourseWare注释here。

Answer 2

您的问题强烈提醒我必须在视频压缩中对motion compensation进行计算。也许你应该仔细看看在那个领域做了些什么。

正如rlbond已经指出的那样，计算颜色完全匹配的窗口中的点数不是比较图片时通常所做的。概念上比使用离散余弦或小波变换更简单的方法是添加差值的平方

diff = (m_color[x1 + xWindow][y1 + yWindow] - m_color[x2 + xWindow][y2 + yWindow]);
sum += diff*diff;

并使用 sum 而不是 match 作为相似度的标准（现在更小意味着更好）。

回到你真正问的问题：我认为可以通过因子2 / sizeWindow减少运行时间（可能是平方？），但它有点乱。这是基于以下事实：当你将y1递增1时，你比较的某些方块几乎保持不变。如果偏移xOff = x2-x1和yOff = y2-y1是相同的，只有顶部（rsp。bottom）垂直条纹正方形不再是（现在，但不是之前）匹配的。如果在由偏移xOff = x2-x1和yOff = y2-y1索引的二维数组中保留您为匹配计算的值，则可以计算y1的匹配[xOff] [yOff]的新值增加1和x1通过2 * sizeWindow比较保持不变：

for (int x = x1; x < x1 + sizeWindow; x++) {
    if (m_color[x][y1] == m_color[x + xOff][y1 + yOff]) {
        match[xOff][yOff]--; // top stripes no longer compared
    }

    if (m_color[x][y1+sizeWindow] == m_color[x + xOff][y1 + sizeWindow + yOff]) {
        match[xOff][yOff]++; // bottom stripe compared not, but wasn't before
    }
}

（因为yOff的可能值改变 - 通过递增y1 - 从区间[y2-y1，k_maxY-sizeWindow-y1-1]到区间[y2-y1-1，k_maxY-sizeWindow-y1-2]你可以用第二个索引丢弃匹配yOff = k_maxY - sizeWindow - y1 - 1并且必须以不同的方式计算与第二个索引yOff = y2 - y1 - 1的匹配。也许你也可以保持数值在数组循环期间增加/减少匹配[] []的数量，以获得另一个2 / sizeWindow加速。

加快图像中的自相似性

2 个答案: