1.&& cvLoadImage：将图像文件加载至内存；
2.&& cvNamedWindow：在屏幕上创建一个窗口；
3.&& cvDestroyWindow：销毁显示图像文件的窗口；
4.&& cvDestroyAllWindows：销毁显示图像文件的所有窗口；
5.&& cvShowImage：在一个已创建好的窗口中显示图像；
6.&& cvWaitKey：使程序暂停，等待用户触发一个按键操作；
7.&& cvReleaseImage：释放图像文件所分配的内存；
8.&& cvCreateFileCapture：通过参数设置确定要读入的AVI文件；
9.&& cvQueryFrame：用来将下一帧视频文件载入内存；
10.& cvReleaseCapture：释放CvCapture结构开辟的内存空间；
11.& cvCreateTrackbar：创建一个滚动条；
12.& cvSetCaptureProperty：设置CvCapture对象的各种属性；
13.& cvGetCaptureProperty：查询CvCapture对象的各种属性；
14.& cvGetSize：当前图像结构的大小；
15.& cvSmooth：对图像进行平滑处理；
16.& cvPyrDown：图像金字塔，降采样，图像缩小为原来四分之一；
17.& cvPyrUp：图像金字塔，将现有的图像在每个维度上都放大两倍；
18.& cvResize：放大或缩小图像；
19.& cvCreateCameraCapture：从摄像设备中读入数据；
20.& cvCreateVideoWriter：创建一个写入设备以便逐帧将视频流写入视频文件；
21.& cvWriteFrame：逐帧将视频流写入文件；
22.& cvReleaseVideoWriter：释放CvVideoWriter结构开辟的内存空间；
23.& CV_MAT_ELEM：从矩阵中得到一个元素；
24.& cvAbs：计算数组中所有元素的绝对值；
25.& cvAbsDiff：计算两个数组差值的绝对值；
26.& cvAbsDiffS：计算数组和标量差值的绝对值；
27.& cvAdd：两个数组的元素级的加运算；
28.& cvAddS：一个数组和一个标量的元素级的相加运算；
29.& cvAddWeighted：两个数组的元素级的加权相加运算(alpha运算)；
：计算一个数组缩放后与另一个数组的和；
31.& cvAvg：计算数组中所有元素的平均值；
32.& cvAvgSdv：计算数组中所有元素的绝对值和标准差；
33.& cvCalcCovarMatrix：计算一组n维空间向量的协方差；
34.& cvCmp：对两个数组中的所有元素运用设置的比较操作；
35.& cvCmpS：对数组和标量运用设置的比较操作；
36.& cvConvertScale(cvConvert)：用可选的缩放值转换数组元素类型；
37.& cvCopy：把数组中的值复制到另一个数组中；
38.& cvCountNonZero：计算数组中非0值的个数；
39.& cvCrossProduct：计算两个三维向量的向量积(叉积)；
40.& cvCvtColor：将数组的通道从一个颜色空间转换另外一个颜色空间；
41.& cvDet：计算方阵的行列式；
42.& cvDotProduct：计算两个向量的点积；
43.& cvEigenVV：计算方阵的特征值和特征向量；
44.& cvFlip：围绕选定轴翻转；
45.& cvGEMM：矩阵乘法；
46.& cvGetCol：从一个数组的列中复制元素；
47.& cvGetCols：从数据的相邻的多列中复制元素；
48.& cvGetDiag：复制数组中对角线上的所有元素；
49.& cvGetDims：返回数组的维数；
50.& cvGetDimSize：返回一个数组的所有维的大小；
51.& cvGetRow：从一个数组的行中复制元素值；
52.& cvGetRows：从一个数组的多个相邻的行中复制元素值；
53.& cvGetSize：得到二维的数组的尺寸，以CvSize返回；
54.& cvGetSubRect：从一个数组的子区域复制元素值；
55.& cvInRange：检查一个数组的元素是否在另外两个数组中的值的范围内；
56.& cvInRangeS：检查一个数组的元素的值是否在另外两个标量的范围内；
57.& cvInvert：求矩阵的逆；
58.& cvMahalonobis：计算两个向量间的马氏距离；
59.& cvMax：在两个数组中进行元素级的取最大值操作；
60.& cvMaxS：在一个数组和一个标量中进行元素级的取最大值操作；
61.& cvMin：在两个数组中进行元素级的取最小值操作；
62.& cvMinS：在一个数组和一个标量中进行元素级的取最小值操作；
63.& cvMinMaxLoc：寻找数组中的最大最小值；
64.& cvMul：计算两个数组的元素级的乘积(点乘)；
65.& cvDiv：用另外一个数组对一个数组进行元素级的除法运算；
66.& cvNormalize：将数组中元素进行归一化；
67.& cvReduce：通过给定的操作符将二维数组简为向量；
68.& cvRepeat：以平铺的方式进行数组复制；
69.& cvSet：用给定值初始化数组；
70.& cvSetZero：将数组中所有元素初始化为0；
71.& cvSetIdentity：将数组中对角线上的元素设为1，其他置0；
72.& cvSolve：求出线性方程组的解；
73.& cvSplit：将多通道数组分割成多个单通道数组；
74.& cvMerge：把几个单通道图像合并为一个多通道图像；
75.& cvSub：两个数组元素级的相减；
76.& cvSubS：元素级的从数组中减去标量；
77.& cvSubRS：元素级的从标量中减去数组；
78.& cvSum：对数组中的所有元素求和；
79.& cvSVD：二维矩阵的奇异值分解；
80.& cvSVBkSb：奇异值回代计算；
81.& cvTrace：计算矩阵迹；
82.& cvTranspose：矩阵的转置运算；
83.& cvNot：按位对数组中的每一个元素求反；
84.& cvOr：对两个数组进行按位或操作；
85.& cvOrs：在数组与标量之间进行按位或操作；
86.& cvXor：对两个数组进行按位异或操作；
87.& cvXorS：在数组和标量之间进行按位异或操作；
88.& cvAnd：对两个数组进行按位与操作；
89.& cvAndS：在数组和标量之间进行按位与操作；
90.& cvZero：将所有数组中的元素置为0；
91.& cvConvertScaleAbs：计算可选的缩放值的绝对值之后再转换数组元素的类型；
92.& cvNorm：计算数组的绝对范数， 绝对差分范数或者相对差分范数；
93.& cvScale：是cvConvertScale的一个宏，可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种；
94.& cvT：是函数cvTranspose的缩写；
95.& cvLine：画直线；
96.& cvRectangle：画矩形；
97.& cvCircle：画圆；
98.& cvEllipse：画椭圆；
99.& cvEllipseBox：使用外接矩形描述椭圆；
100.cvFillPoly、cvFillConvexPoly、cvPolyLine：画多边形；
101.cvPutText：在图像上输出一些文本；
102.cvGetTextSize：计算文本串的宽和高；
103.cvInitFont：采用一组参数配置一些用于屏幕输出的基本个特定字体；
104.cvSave：矩阵保存；
105.cvLoad：矩阵读取；
106.cvOpenFileStorage：为读/写打开存储文件；
107.cvReleaseFileStorage：释放存储的数据；
108.cvStartWriteStruct：开始写入新的数据结构；
109.cvEndWriteStruct：结束写入数据结构；
110.cvWriteInt：写入整数型；
111.cvWriteReal：写入浮点型；
112.cvWriteString：写入字符型；
113.cvWriteComment：写一个XML或YAML的注释字串；
114.cvWrite：写一个对象；
115.cvWriteRawData：写入多个数值；
116.cvWriteFileNode：将文件节点写入另一个文件存储器；
117.cvGetRootFileNode：获取存储器最顶层的节点；
118.cvGetFileNodeByName：在映图或存储器中找到相应节点；
119.cvGetHashedKey：为名称返回一个惟一的指针；
120.cvGetFileNode：在映图或文件存储器中找到节点；
121.cvGetFileNodeName：返回文件的节点名；
122.cvReadInt：读取一个无名称的整数型；
123.cvReadIntByName：读取一个有名称的整数型；
124.cvReadReal：读取一个无名称的浮点型；
125.cvReadRealByName：读取一个有名称的浮点型；
126.cvReadString：从文件节点中寻找字符串；
127.cvReadStringByName：找到一个有名称的文件节点并返回它；
128.cvRead：将对象解码并返回它的指针；
129.cvReadByName：找到对象并解码；
130.cvReadRawData：读取多个数值；
131.cvStartReadRawData：初始化文件节点序列的读取；
132.cvReadRawDataSlice：读取文件节点的内容；
133.cvGetModuleInfo：检查IPP库是否已经正常安装并且检验运行是否正常；
134.cvResizeWindow：用来调整窗口的大小；
135.cvSaveImage：保存图像；
136.cvMoveWindow：将窗口移动到其左上角为x,y的位置；
137.cvDestroyAllWindow：用来关闭所有窗口并释放窗口相关的内存空间；
138.cvGetTrackbarPos：读取滑动条的值；
139.cvSetTrackbarPos：设置滑动条的值；
140.cvGrabFrame：快速的从摄像头或视频文件中抓取帧，被抓取的帧在内部被存储；
141.cvRetrieveFrame：；
142.cvConvertImage：用于在常用的不同图像格式之间转换；
143.cvErode：形态学腐蚀；
144.cvDilate：形态学膨胀；
145.cvMorphologyEx：更通用的形态学函数；
146.cvCreateStructuringElementEx：创建自定义的IplConvKernel核，应用在相应形态学操作中；
147.cvReleaseStructuringElement：释放由自定义创建的IplConvKernel核；
148.cvFloodFill：漫水填充算法，用来进一步控制哪些区域将被填充颜色；
149.cvPyrSegmentation：利用金字塔实现图像分割；
150.cvThreshold：图像阈值化；
151.cvAcc：可以将8位整数类型图像累加为浮点图像；
152.cvAdaptiveThreshold：图像自适应阈值；
153.cvFilter2D：图像卷积；
154.cvCopyMakeBorder：将特定的图像轻微变大，然后以各种方式自动填充图像边界；
155.cvCanny：Canny边缘检测；
156.cvSobel：图像边缘检测，Sobel算子；
157.cvLaplace：拉普拉斯变换、图像边缘检测；
158.cvHoughLines2：霍夫直线变换；
159.cvHoughCircles：霍夫圆变换；
160.cvWarpAffine：稠密仿射变换；
161.cvGetQuadrangleSubPix：仿射变换(提取像素四边形，使用子像素精度)；
162.cvGetRectSubPix：从图像中提取像素矩形，使用子像素精度；
163.cvGetAffineTransform：仿射映射矩阵的计算；
164.cvCloneImage：将整个IplImage结构复制到新的IplImage中；
165.cv2DRotationMatrix：仿射映射矩阵的计算；
166.cvTransform：稀疏仿射变换；
167.cvWarpPerspective：密集透视变换(单应性)；
168.cvGetPerspectiveTransform：计算透视映射矩阵；
169.cvPerspectiveTransform：稀疏透视变换；
170.cvCartToPolar：将数值从笛卡尔空间到极坐标(极性空间)进行映射；
171.cvPolarToCart：将数值从极性空间到笛卡尔空间进行映射；
172.cvLogPolar：对数极坐标变换；
173.cvDFT：离散傅里叶变换；
174.cvMulSpectrums：频谱乘法；
175.cvDCT：离散余弦变换；
176.cvIntegral：计算积分图像；
177.cvDistTransform：图像的距离变换；
178.cvEqualizeHist：直方图均衡化；
：创建一新直方图；
180.cvReleaseHist：释放创建的直方图；
181.cvMakeHistHeaderForArray：根据已给出的数据创建直方图；
182.cvNormalizeHist：归一化直方图；
183.cvThreshHist：直方图阈值函数；
184.cvCalcHist：从图像中自动计算直方图；
185.cvCompareHist：用于对比两个直方图的相似度；
186.cvCalcEMD2：陆地移动距离(EMD)算法；
187.cvCalcBackProject：反向投影；
188.cvCalcBackProjectPatch：图块的方向投影；
189.cvMatchTemplate：模板匹配；
190.cvCreateMemStorage：用于创建一个内存存储器；
191.cvCreateSeq：创建序列；
192.cvSeqInvert：将序列进行逆序操作；
193.cvCvtSeqToArray：复制序列的全部或部分到一个连续内存数组中；
194.cvFindContours：从二值图像中寻找轮廓；
195.cvDrawContours：绘制轮廓；
196.cvApproxPoly：使用多边形逼近一个轮廓；
197.cvConvexHull2：使用Sklansky算法计算2D点集的凸外形；
198.cvPointPolygonTest：点在多边形中的位置(内部、外部、多边形边上)；
199.cvContourPerimeter：轮廓长度；
200.cvContoursMoments：计算轮廓矩；
201.cvMoments：计算Hu不变矩；
202.cvMatchShapes：使用矩进行匹配；
203.cvInitLineIterator：对任意直线上的像素进行采样；
204.cvSampleLine：对直线采样；
205.cvAbsDiff：帧差；
206.cvWatershed：分水岭算法；
207.cvInpaint：修补图像；
208.cvGoodFeaturesToTrack：寻找角点；
209.cvCornerHarris：Harris角点检测；
210.cvFindCornerSubPix：用于发现亚像素精度的角点位置；
211.cvMeanShift：mean-shift跟踪算法；
212.cvCamShift：camshift跟踪算法；
213.cvCreateConDensation：condensation算法，分配condensation滤波器结构；
214.cvReleaseConDensation：condensation算法，释放condensation滤波器结构；
215.cvConDensInitSampleSet：condensation算法，初始化condensation算法中的粒子集；
216.cvConDensUpdateByTime：condensation算法，估计下个模型状态；
217.cvConvertPointsHomogenious：对齐次坐标进行转换；
218.cvFindChessboardCorners：定位棋盘角点；
219.cvCalibrateCamera2：利用定标来计算摄像机的内参数和外参数；
220.cvInitUndistortMap：计算形变和非行变图像的对应；
：computes the undistortion and rectification transformation map；
222.cvRemap：图像重映射，校正标定图像，图像插值；
223.cvFindFundamentalMat：由两幅图像中对应点计算出基本矩阵；
224.cvComputeCorrespondEpilines：为一幅图像中的点计算其在另一幅图像中对应的对极线；
：绘制检测到的棋盘角点；
226.cvFindHomography：计算单应性矩阵；
227.cvRodrigues2：罗德里格斯变换；
228.cvFitLine：直线拟合算法；
229.cvCalcCovarMatrix：计算协方差矩阵；
230.cvInvert：计算协方差矩阵的逆矩阵；
231.cvMahalanobis：计算Mahalanobis距离；
232.cvKMeans2：K均值；
233.cvCloneMat：根据一个已有的矩阵创建一个新矩阵；
234.cvPreCornerDetect：计算用于角点检测的特征图；
235.cvGetImage：CvMat图像数据格式转换成IplImage图像数据格式；
236.cvMatMul：两矩阵相乘；
237.cvMatMulAdd：dst = src1 * src2 + src3；
238.cvRound：返回和参数最接近的整数值；
239.cvFloor：返回不大于参数的最大整数值；
240.cvCeil：返回不小于参数的最小整数值；
241.cvCreateImage：创建图像；
242.cvSetMouseCallback：用鼠标获取确定窗口上的矩形；
243.cvContourArea：计算整个或部分轮廓的面积；
244.cvArcLength：计算轮廓周长或曲线长度；
245.cvBoundingRect：计算点集的最外面矩形边界(获取轮廓的外接矩形)；
246.cvSeqRemove：删除序列中指定位置的元素(轮廓)；
247.cvGetTickCount：返回64位长整数的时间数据；
248.cvGetTickFrequency：返回系统时钟频率；
249.cvRNG：随机生成一个64位随机数(uint64)；
250.cvRandInt：返回均匀分布32位的随机数(uint32)；
251.cvRandReal:返回均匀分布0~1之间的随机小数；
252.cvRandArr：；
253.cvRandInit：初始化CvRandState数据结构，可以选定随机分布的种类，并给定它种子；
254.cvInitMatHeader：初始化矩阵头，不分配存储空间；
255.cvTermCriteria：迭代算法终止准则；
256.CvSVMParams：SVM训练参数，该结构需要初始化，并传递给CvSVM训练函数；
257.CvSVM::train：训练SVM(支持向量机)；
258.CvSVM::predict：预测一个新样本的响应值，在分类问题中，这个函数返回类别编号，在回归问题中，返回函数值；
259.cvSet2D：修改指定的数组；
260.CvSVM::get_support_vector_count：获得支持向量的个数；
261.CvSVM::get_support_vector：获得对应索引编号的支持向量；
262.CvSVM::save：将SVM训练完的数据保存到指定的文件中(save来源于cvStatModel为ML库的通用类)；
263.CvSVM::load：将指定的文件装载到SVM指定的对象中；
264.cvCreateBGCodeBookModel：codebook方法中，初始化；
265.cvBGCodeBookUpdate：codebook方法中，更新背景模型；
266.cvBGCodeBookClearStale：codebook方法中，清除消极的codebook；
267.cvBGCodeBookDiff：codebook方法中，背景减除；
268.cvReleaseBGCodeBookModel：codebook方法中，释放资源；
269.cvSegmentFGMask：对前景做连通域分割；
270.cvRunningAvg：更新running average，可用于运动目标检测中更新背景；
271.cvCalcOpticalFlowHS：使用Horn&Schunck算法计算两幅图像的光流；
272.cvCalcOpticalFlowLK：使用Lucas&Kanade算法计算两幅图像的光流(非金字塔)；
273.cvCalcOpticalFlowPyrLK：使用金字塔Lucas&Kanade方法计算一个稀疏特征集的光流；
：用块匹配方法计算两幅图像的光流；
275.cvUpdateMotionHistory：运动模板中，去掉影像以更新运动历史图像；
276.cvRunningAvg：更新running average滑动平均；
：运动模板中，计算运动历史图像的梯度方向；
278.cvSegmentMotion：运动模板中，将整个运动分割为独立的运动部分；
279.cvCalcGlobalOrientation：运动模板中，计算某些选择区域的全局运动方向；
280.cvGetMinMaxHistValue：直方图中找到最小值和最大值；
281.cvMinAreaRect2：寻找最小面积的外接矩形；
282.cvMinEnclosingCircle：计算轮廓的最小外接圆；
283.cvFitEllipse2：获取轮廓的椭圆边界框；
284.cvMaxRect：寻找包含两个输入矩形的具有最小面积的矩形边界；
285.cvBoxPoints：寻找盒子的顶点；
286.cvCreateKalman：Kalman中，分配Kalman滤波器结构；
287.cvReleaseKalman：Kalman中，释放Kalman滤波器结构；
288.cvKalmanPredict：Kalman中，估计后来的模型状态；
289.cvKalmanCorrect：Kalman中，调节模型状态；
290.cvLoadHaarClassifierCascade：CvHaarClassifierCascade中，从文件中装载训练好的级联分类器或者从OpenCV中嵌入的分类器数据库中导入；
291.cvHaarDetectObjects：中，检测图像中的目标；
292.cvSetImageForHaarClassifierCascade：CvHaarClassifierCascade中，为隐藏的cascade(hidden cascade)指定图像；
293.cvReleaseHaarClassifierCascade：CvHaarClassifierCascade中，释放haar classifier cascade；
294.cvRunHaarClassifierCascade：CvHaarClassifierCascade中，在给定位置的图像中运行cascade of boosted classifier；
295.CvAdaptiveSkinDetector::process：皮肤检测；
296.cvCalcEigenObjects：计算传入影像阵列的eigen vector、eigen value、image average(影像平均值)；
297.cvEigenDecomposite：透过eigen vector和原始影像集来解析每张图片降维后对应的系数coefficients；
298.cvEigenProjection：投影图片在特征空间；
299.cvAlloc：分配内存；
300.cvFree：释放内存(cvAlloc与cvFree应匹配出现)；
301.CvANN_MLP::create：constructs MLP(multi-layer perceptrons) withthe specified topology；
302.CvANN_MLP::train：trains/updates MLP；
303.CvANN_MLP::predict：predicts responses for input samples；
304.CvANN_MLP::get_layer_count：returns the number fo layers in the MLP；
305.CvANN_MLP::get_layer_size：returns numbers of neurons in each layer ofthe MLP；
306.CvANN_MLP::get_weights：returns neurons weights of the particularlayer；
CvKNearest：default and training constructors；
308.CvKNearest::train：trains the model；
309.CvKNearest::find_nearest：finds the neighbors and predicts responses forinput vectors；
310.CvKNearest::get_max_k：returns the number of maximum neighbors thatmay be passed to the method CvKNearest::find_nearest()；
311.CvKNearest::get_var_count：returns the number of used features(variablescount)；
312.CvKNearest::get_sample_count：returns the total number of train samples；
313.CvKNearest::is_regression：returns type of the problem(true forregression and false for classification)；
314.cvGetSeqElem：returns a pointer to a sequenceelement according to its index；
315.cvGetReal2D：return a specific element ofsingle-channel 2D array；
316.cvSqrt：计算平方根；
317.cvPow：对数组内每个元素求幂；
318.cvCbrt：计算立方根；
319.cvExp：计算数组元素的指数幂；
320.cvLog：计算每个数组元素的绝对值的自然对数；
321.cvSetImageROI：设置感兴趣区域；
322.cvResetImageROI：释放感兴趣区域；
323.cvSetImageCOI：设置感兴趣通道；
324.cvLUT：显示查找表，实际上就是一张像素灰度值的映射表，它将实际采样到的像素灰度值经过一定的变换如阈值、反转、二值化、对比度调整、线性变换等，变成了另外一个与之对应的灰度值；
325.&class FeatureDetector：abstract base class for 2D image feature detectors；
326.&class FastFeatureDetector：wrapping class for feature detection using the FAST() method；
327.&class SURF(SurfFeatureDetector、SurfDescriptorExtractor)：extracting Speeded Up RobustFeatures from an image；
328.&class SIFT(SiftFeatureDetector)：extracting keypoints and computingdescriptors using the Scale Invariant Feature Transform(SIFT) algorithm；
329.cvExtractSURF：detects keypoints andcomputes SURF descriptors for them；
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：1952次
排名：千里之外opencv图像修复算法cvInpaint(Telea的FMM算法） --苦逼孩
最近项目中要用到修复技术，看opencv里有两种算法，我先尝试了一下Telea在2004年提出的基于快速行进的修复算法（后面简称FMM算法）。找到作者的原文看了一下，对算法有了一定了解,记录一下。
论文题目：An Image Inpainting Technique Based on the Fast Marching Method （2004）
作者主页：http://www.cs.rug.nl/~alext/
论文下载： http://www.cs.rug.nl/~alext/PAPERS/index.html
（编号36的那篇）
在opencv中实现修复有两种算法，这里只介绍Telea的算法，即基于快速行进（FMM）的修复算法。
首先看c++接口中，函数的定义。
void cv::inpaint( const Mat& src, const Mat& mask, Mat& dst,
double inpaintRange, int flags )
//src:要修复的图像；
//mask：修复模板，必须是单通道图像；
//dst：目标图像；
//inpaintRange：选取邻域半径;
//flags:要使用的方法，可以是CV INPAINT NS或CV INPAINT TELEA（本文介绍的方法）。
其实c++接口实现的inpaint方法，只是调用了一下c接口中的cvinpaint。
cvInpaint( const vArr*_input_img,const CvArr* _inpaint_mask,CvArr* _output_img, double inpaintRange, int flags )
首先，FMM算法基于的思想是，先处理待修复区域边缘上的像素点，然后层层向内推进，直到修复完所有的像素点。
下面以灰度图为例，我们只需要计算出像素新的灰度值即可。对于彩色图像，分别用同样的方法处理各个通道即可。
一、先说一下如何修复一个像素点的。
参考上图，Ω区域是待修复的区域；δΩ指Ω的边界）；要修复Ω中的像素，就需要计算出新的像素值来代替原值。
现在假设p点是我们要修复的像素。以p为中心选取一个小邻域B(ε），该邻域中的点像素值都是已知的（只要已知的）。（这个ε就是opencv函数中参数 inpaintRadius）
q为 Bε（p）中的一点，由q点计算P的灰度值公式如下：
I q (p) = I(q) + ? I(q)(p - q)（? I(q)是q点的亮度梯度值）
显然，我们需要的是用邻域Bε（p）中的所有点计算p点的新灰度值。显然，各个像素点所起的作用应该是不同的，也就引入了权值函数来决定哪些像素的值对新像素值影响更大，哪些比较小。采用下面的公式（公式2）：
这里的w(p, q)就是权值函数，是用来限定邻域中各像素的贡献大小的。
w(p, q) = dir(p, q) · dst(p, q) · lev(p, q)
其中，d0和 T0分别为距离参数和水平集参数，一般都取为 1。方向因子 dir(p,q)保证了越靠近法线方向 N =
?T的像素点对 p 点的贡献最大；几何距离因子 dst(p,q)保证了离 p 点越近的像素点对p 点贡献越大；水平集距离因子lev(p,q)保证了离经过点 p 的待修复区域的轮廓线越近的已知像素点对点 p 的贡献越大。
二、下面就是考虑是什么样的顺序来处理待修复区域中的所有像素。作者采用的是快速行进方法Fast Marching Method。
行进算法伪代码：
δΩi = boundary of region to inpaint//修复区域的边缘
δΩ = δΩi
while (δΩ not empty)
p = pixel of δΩ closest to δΩi//修复距离边缘最近的像素
inpaint p using Eqn.2//利用公式2修复p点
advance δΩ into Ω//把边缘向里行进
看到这里，就会有疑惑了，怎么确定像素与边缘的距离呢。
算法中为待修复区域边缘构建了一个窄边（narrowBand），就是上面所说的δΩ。在opencv里是利用先将mask膨胀得到mask2（结构元素是长为2*ε+1的十字形，以中心点为原点），再用mask2减去mask得到band图，则band中非0元素即narrowBand）。从这里可以看出最初的narrowBand（即δΩ1）是不需要修复的。确定窄边的目的就是为了找到下面要修复的像素。
首先将像素分为三类，用flag标识记录：BAND：其实就是δΩ上的像素； KNOWN:就是δΩ外部不需要修复的像素；INSIDE:就是δΩ内部的等待修复的像素。
另外，每个像素还需要存储两个值：T（该像素离到边缘 δΩ的距离）；I（灰度值）。
下面先说一下处理像素是按怎样的行进方式的：
初始化。首先按上面说的方法找到narrowBand，flag记为BAND;窄边内部的待修复区域记为INSIDE，已知像素flag设为KNOWN。BAND和KNOWN类型的像素T值初始化为0（这里看opencv代码里好像把KNOWN也设为106），INSIDE类型像素T值设为无限大（实际中设为106）。
定义一个数据结构NarrowBand（opencv中采用双向链表实现），将窄边中的像素按T值升序排列，依次加入到NarrowBand中，先处理T最小的像素。假设为p点，将p点类型改为KNOWN,然后依次处理p点的四邻域点Pi。如果Pi类型为INSIDE，若是则重新计算I，修复该点，并更新其T值,修改该点类型为BAND,加入NarrowBand（这里仍按顺序，即始终保持NarrowBand是按升序排列的）。依次进行，每次处理的都是NarrowBand中T最小的像素，直到NarrowBand中没有像素。
代码如下：
while (NarrowBand not empty)
extract P(i,j) = head(NarrowBand); /* STEP 1 *//*提取T值最小像素*/
for (k,l) in (i-1,j),(i,j-1),(i+1,j),(i,j+1)/*依次处理该像素的四邻域像素*/
if (f(k,l)!=KNOWN)
if (f(k,l)==INSIDE)
f(k,l)=BAND; /* STEP 2修改(k,l)像素点的lag*/
inpaint(k,l); /* STEP 3修复(k,l)像素点*/
T (k,l) = min(solve(k-1,l,k,l-1), /* STEP 4 更新(k,l)像素点的值*/
solve(k+1,l,k,l-1),
solve(k-1,l,k,l+1),
solve(k+1,l,k,l+1));
insert(k,l) in NarrowB /* STEP 5 将(k,l)像素点加入NarrowBand*/
下面是具体计算T的代码个地方，原文中的代码有错误，下面是参考opencv代码修改好的）
T(k,l)=min(solve(k-1,l,k,l-1),solve(k+1,l,k,l-1),solve(k-1,l,k,l+1),solve(k+1,l,k,l+1));
float solve(int i1,int j1,int i2,int j2)
float sol = 1.0e6;
if (f(i1,j1)==KNOWN)
if (f(i2,j2)==KNOWN)
float r = sqrt(2-(T(i1,j1)-T(i2,j2))*(T(i1,j1)-T(i2,j2)));
float s = (T(i1,j1)+T(i2,j2)-r)/2;
if (s&=T(i1,j1) && s&=T(i2,j2)) sol =
{ s += if (s&=T(i1,j1) && s&=T(i2,j2))
else sol = 1+T(i1,j1));
else if (f(i2,j2)==KNOWN) sol = 1+T(i2,j2));
贴一个原文中的结果图：