如何在matlab中比较两幅图像中的所有面片？

我有两个图像，比如说

A

和

B

，它们的大小不需要相同<代码>Abe的尺寸为255×255，而

B

be的尺寸为100×100。对于我的问题，补丁的尺寸是5×5。我需要做的是将

A

中的所有补丁与

B

中的所有补丁进行比较

每个面片将与一些相邻面片重叠。要清除这一点，

A

中的第一个补丁将是

A（1:5,1:5）

（MATLAB表示法）。第二个补丁

A（2:6,1:5）

依此类推，一直到第一行末尾的

A（251:255,1:5）

，一直到

A（251:255251:255）

中的最后一个补丁

我必须将这些补丁与

B

中的所有补丁进行比较。如您所见，在

A

中有

251*251

补丁，在

B

中有

96*96

补丁。因此，有很多比较需要进行。比较就是欧几里得距离，也就是说，我只取两个面片的差，然后求平方和。对于每个补丁比较，我将得到一个标量值作为结果

我在MATLAB中实现了这一点，但它需要几分钟的时间来执行。因此，请建议我最快的方法来实现这一点。这一部分是我整个项目的瓶颈。下面给出了我编写的代码。我显然不是专家，所以请原谅我的错误

row = size(A,1);    
col = size(A,2);

row2 = size(B,1);    
col2 = size(B,2);

patch_long = zeros(5,5,(row2-4)*(col2-4));

idx = 1;

for i = 1:row2-4    
    for j = 1:col2-4

        patch_long(:,:,idx) = B(i:i+4,j:j+4);

        idx = idx+1;

    end

end

%// I rearranged 'B' matrix as 3d matrix with each patch arranged like 
%// slide behind one by one

parfor m = 1:row-4    
    for n = 1:col-4

        temp1 = bsxfun(@minus,(A(m:m+4,n:n+4)),patch_long);
        temp2 = sum(sum(temp1.^2));

        count = sum(temp2 <=threshold);

        if count > 1 
            % Do xyzend
        end

    end
end

%// count counts how many patches in 'B' are close to a particular patch in 'A'.

row=大小（A，1）；
col=尺寸（A，2）；
第2行=尺寸（B，1）；
col2=大小（B，2）；
patch_long=零（5,5，（第2-4行）*（第2-4行））；
idx=1；
对于i=1：第2-4行
对于j=1:col2-4
斑块长（：，：，idx）=B（i:i+4，j:j+4）；
idx=idx+1；
结束
结束
%//我将“B”矩阵重新排列为3d矩阵，每个面片的排列方式如下
%//一个接一个地滑到后面
m=1的参数：第4行
对于n=1:col-4
temp1=bsxfun（@负，（A（m:m+4，n:n+4）），面片长；
temp2=sum（sum（temp1.^2））；
计数=总和（temp2 1
%多西泽德
结束
结束
结束
%//计数计算“B”中与“a”中特定修补程序接近的修补程序的数量。

您可以使用来提取所有修补程序

pA = im2col( A, [5 5], 'sliding' );
pB = im2bol( B, [5 5], 'sliding' );
% compute squared difference
D = sum( bsxfun( @minus, permute( pA, [2 3 1] ), permute( pB, [3 2 1] ) ).^2, 3 );

---

顺便说一下，如果您不需要所有的距离，并且愿意为

k

近邻的近似值妥协，您可能会发现非常有用：

---

这是一个近似的

k

-最近邻算法，专门为图像修补程序量身定制。它在内存（空间）使用方面非常有效，速度也非常快。

正如Mikhail提到的那样，你的工作做得非常出色。你真的没有什么可以改进的

您只能做几件小事：

交换矩阵的处理顺序

交换循环顺序

因为

A

小于

B

，交换处理顺序将导致

bsxfun

承担更多的繁重工作。因为这比JIT'ed MATLAB循环“更接近硅”，这将是有益的

用

a=rand（255）

和

B=rand（10）

做一个简单的

tic…toc

测试（我没有一整天的时间！）

对于您的情况，差异当然会小一些，但这可能是非常重要的

交换循环顺序（在内部循环的行上循环，在外部循环的列上循环）这是因为MATLAB以列主顺序存储数据。交换顺序意味着指针偏移计算可以在内部循环中重复使用，因此需要更少的操作。通常情况下，这可以弥补约30%的差异，但是，最新版本的MATLAB在此基础上有了很大的改进（仍然不确定如何改进），并且您不使用1列，而是5列…因此这可能没有那么重要

使用不同的循环顺序进行相同的测试，得到：

Elapsed time is 3.462599 seconds. %// original loop order
Elapsed time is 3.272909 seconds. %// inverted loop order

结合一切：

Elapsed time is 1.571496 seconds. %// Both optimizations implemented

我的代码：

%// random data for testing
A = rand(255);
B = rand(10);
threshold = rand;

[rowA, colA] = size(A);
[rowB, colB] = size(B);

patch_long = zeros(5,5, (rowA-4)*(colA-4));

tic

%// re-arrange A into 3D array of 5×5 patches 
idx = 1;
for jj = 1:colA-4     
    c = jj:jj+4;      %// re-use column indices
    for ii = 1:rowA-4 %// inner loop is over the rows

        patch_long(:,:,idx) = A(ii:ii+4, c);        
        idx = idx+1;

    end

end

%// The heavy lifting
for n = 1:colB-4     %// let bsxfun do more work; loop over smallest array here
    c = n:n+4;       %// re-use column indices
    for m = 1:rowB-4 %// inner loop is over the rows

        temp1 = bsxfun(@minus, B(m:m+4, c), patch_long);
        count = sum( sum(temp1.^2) <= threshold );

    end
end

toc

---

但我认为这主要是因为我的工作电脑很差（AMD-A63650APU）

你实际上做了一个很好的矢量化。看起来这不能明显改善。考虑算法的改进。比如，你真的需要比较所有的补丁吗？你碰巧有双精度的GPU吗？你有什么版本的Matlab？我不知道GPU。我的MATLAB版本是2012B.@你的意思是我应该在循环时先写“for cols”，然后写“for rows”？如果在命令提示符中键入

gpuDevice

，你会看到什么？查看我的

im2col

实现（我现在在R2010b上），它没有做任何与OP已经做的不同的事情，除了使用更多的内存…除了缩短代码，我不能产生任何明显的速度差异。也许在以后的版本中实现发生了更改；你能用你的（较新）版本验证加速吗？@RodyOldenhuis我没有访问较新版本的权限。抱歉。@akhilc，在这种情况下，您只需要每个补丁的10个最近邻（NN）：如果它们比阈值更接近，则使用所有，如果不是，则仅使用其中的一部分。要精确获得10个NN，您确实需要与所有其他补丁进行广泛比较。但是，如果您愿意进行一些近似，您可以获得（近似值）10 NN快得多。看看PatchMatch！如果我理解正确，PatchMatch是蛮力方法的早期版本。这意味着，它仍然是O（N²）最坏情况（只有最后一个补丁低于阈值）。这是否正确？@akhilc我在下载的版本中看到了一个

readme.txt

文件。非常感谢。让我试试这个，稍后再给你回复。我为a（255255）和B（50,50）运行了你的优化代码“行先列法”耗时30秒，建议的循环法耗时29.5秒。我认为，对于更大的图像，这可以节省我大量的时间。虽然你的第二个建议对我来说有点难以采纳。我的意思是使用“B”上的循环。因为“阈值”实际上是一个矩阵。对于

%// random data for testing
A = rand(255);
B = rand(10);
threshold = rand;

[rowA, colA] = size(A);
[rowB, colB] = size(B);

patch_long = zeros(5,5, (rowA-4)*(colA-4));

tic

%// re-arrange A into 3D array of 5×5 patches 
idx = 1;
for jj = 1:colA-4     
    c = jj:jj+4;      %// re-use column indices
    for ii = 1:rowA-4 %// inner loop is over the rows

        patch_long(:,:,idx) = A(ii:ii+4, c);        
        idx = idx+1;

    end

end

%// The heavy lifting
for n = 1:colB-4     %// let bsxfun do more work; loop over smallest array here
    c = n:n+4;       %// re-use column indices
    for m = 1:rowB-4 %// inner loop is over the rows

        temp1 = bsxfun(@minus, B(m:m+4, c), patch_long);
        count = sum( sum(temp1.^2) <= threshold );

    end
end

toc

Elapsed time is 387.802798 seconds. %// original version, but without parfor
Elapsed time is 362.991760 seconds. %// both optimizations, WITH parfor