块匹配

function [posIdx, weiIdx] = blockMaching(im, par)
% 功能 ： 块匹配，计算与中心块相似的块以及权重
% im ： 输入图像
% par ： 参数
% posIdx ： 与中心块相似的块的位置索引
% weiIdx ： 与中心块相似的块的权重索引

[height, width, ch] = size(im);
searchRadius = par.s1; % 搜索窗半径
similarBlkNum = par.nblk; % 相似块的个数
win = par.win; % 块的大小
blockSize = win^2; % 每个块的元素个数
step = par.step; % 中心窗的步长
hp = 80; % 高斯参数

%% 参数
N = height - win + 1; % 块的起始行坐标范围
M = width - win + 1; % 块的起始列坐标范围
blockNum = N * M; % 块的个数
leftUpRow = 1:step:N; % 每个块的行起始坐标
leftUpRow = [leftUpRow leftUpRow(end)+1:N]; % 添加最后一个块，因为可能最后不一定正好取完
leftUpCol = 1:step:M; % 每个块的列起始坐标
leftUpCol = [leftUpCol leftUpCol(end)+1:M]; % 添加最后一个块，因为可能最后不一定正好取完

%% 分块
X = divideBlock3D(im, win); % 提取了所有的块，也就是说步长为1个像素
X = X';

%% 查找相似块并计算权重
I = reshape(1:blockNum, N, M); % 所有块的索引
I = I'; % 行优先
N1 = length(leftUpRow); % 多少行中心块
M1 = length(leftUpCol); % 多少列中心块
posIdx = zeros(similarBlkNum, N1*M1 ); % 每个中心块的相似块索引
weiIdx = zeros(similarBlkNum, N1*M1 ); % 每个中心块对应的相似块的权重
rmin = bsxfun(@max, bsxfun(@minus, leftUpRow, searchRadius), 1); % 搜索窗的行最小坐标
rmax = bsxfun(@min, bsxfun(@plus, leftUpRow, searchRadius), N); % 搜索窗的行最大坐标
cmin = bsxfun(@max, bsxfun(@minus, leftUpCol, searchRadius), 1); % 搜索窗的列最小坐标
cmax = bsxfun(@min, bsxfun(@plus, leftUpCol, searchRadius), M); % 搜索窗的列最大坐标

for i = 1 : N1
for j = 1 : M1
offInAllBlk = (leftUpRow(i) - 1) * M + leftUpCol(j); % 当前中心块在所有块中的索引(行优先)
offInCentralBlk = (i-1) * M1 + j; % 当前中心块在所有中心块中的索引(行优先)

idx = I(rmin(i):rmax(i), cmin(j):cmax(j)); %在由[rmin:rmax, cmin:cmax]确定的搜索窗中搜索相似块
idx = idx';
idx = idx(:);

dis = sum(bsxfun(@minus, X(idx, :), X(offInAllBlk, :)).^2, 2); % 搜索窗内的块与中心块的距离
dis = dis ./ (blockSize*ch); % 归一化
similarBlkInd = maxN(dis, similarBlkNum); % 找到距离最小的几个块的索引
posIdx(:,offInCentralBlk) = idx(similarBlkInd); % 保存相似块索引

wei = exp( -dis(similarBlkInd) ./ hp ); % 高斯
weiIdx(:,offInCentralBlk) = wei ./ (sum(wei(:))+eps); % 归一化
end
end

function index = maxN(data, N)
% 功能 ：找到 data 中最大的 N 个数，并返回索引


[~, index] = sort(data);
index = index(1:N);