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，讲A图中每一个像素，随机的赋予一个便宜量，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，然后讲蓝色块又和B中绿色和红色的块做相似度比较，记录为simliar2（绿色），simliar(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。