简介：这份资源围绕Criminisi图像修复算法的改进实现展开，面向图像处理、图像修复方向的研究人员与开发者，尤其适合需要在Matlab环境下验证算法效果、评估修复质量的学习者。其核心思路是以P-Laplacian算子替代原始算法中的数据项，从而提升优先级计算的精确度，增强边缘保持能力并减少噪声传播。压缩包共5个文件，包含3个m脚本、1个c源码与1个dll动态库，整体约6KB，其中m文件承担主流程与PSNR计算，c与dll文件支撑底层辅助逻辑。资源提供了可直接运行的修复流程与PSNR定量评估功能，便于读者对比改进前后的修复效果，理解优先级计算、边界处理与性能优化等关键环节。目前已有212人学习下载，适合作为图像修复算法入门与改进实验的参考素材。

1. 拆开 p-laplace.rar：一份把 Criminisi 数据项换成 P-Laplacian 的 MATLAB 修复包

图像修复里有个绕不开的经典：Criminisi 算法。2004 年那篇论文把「先补哪块、从哪块抄」拆成优先级排序加样本块匹配两步，成了后来一大票修复方法的基线。但基线归基线，真拿它去补一条穿过纹理区域的划痕，边缘经常糊成一团，噪声还会顺着补丁往里爬。p-laplace.rar 这份资源干的事，就是把原算法里算优先级的那个数据项，从普通梯度换成 P-Laplacian 算子，让边缘和细节在填充过程中被更狠地保住。包里是 MATLAB 实现，核心文件是 Demo_inpaint.m、inpaint.m、bestexemplarhelper.c 及其编译产物 bestexemplarhelper.dll，外加一个 PSNR.m 用来量化修复质量。适合正在做图像修复、去划痕、老照片修补，或者拿 Criminisi 当对比基线的人——你不需要从零复现论文，但得知道它改了哪、怎么跑、哪里会翻车。

2. Criminisi 的优先级机制与 P-Laplacian 到底改了什么

2.1 原版 Criminisi 的优先级公式拆解

Criminisi 的核心是给破损区域边界上每个待补像素算一个优先级 P(p)，挑最高的先补。公式是 P(p) = C(p) · D(p)，其中 C(p) 是置信度项，衡量这个像素周围有多少已知信息；D(p) 是数据项，衡量等照度线（isophote）在边界上的强度，说白了就是「这个位置有没有明显的边缘方向」。

数据项 D(p) 的原始定义是：

D(p) = |∇I⊥(p) · n(p)| / α

∇I⊥(p) 是 p 点梯度的正交方向（等照度线方向），n(p) 是边界法向量，α 是归一化因子（灰度图取 255）。这个式子的物理含义是：如果等照度线方向和边界法向越接近垂直，说明这里有强边缘穿过，应该优先补，这样纹理和结构才能延续进去。

问题出在 ∇I 上。原版用的是普通梯度，对噪声敏感，而且在线性结构交叉或者光照不均的区域，梯度方向容易算歪。一旦 D(p) 算错，优先级排序就乱，补丁顺序跟着错，最后修复结果要么边缘断裂，要么纹理错位。

2.2 P-Laplacian 算子为什么能顶替梯度

P-Laplacian 算子的定义是：

Δ_p u = div(|∇u|^(p-2) ∇u)

当 p=2 时退化成普通 Laplacian，p>2 时对梯度大的区域（边缘）惩罚更重，p<2 时对梯度小的区域（平滑区）更敏感。在图像修复场景里，通常取 p 在 1 到 2 之间，目的是让算子在平坦区域做各向同性扩散，在边缘附近做各向异性扩散——也就是沿着边缘方向扩散、垂直边缘方向抑制。

把它塞进 Criminisi 的数据项，本质是用 P-Laplacian 的扩散通量替代原始梯度方向，让优先级计算对边缘的判定更稳。具体来说，改进后的数据项不再直接取 ∇I⊥，而是用 P-Laplacian 在局部窗口内的响应来加权邻域信息。这样做的直接好处是：噪声引起的伪梯度被压制，真实边缘的响应被放大，优先级排序更贴近人眼期望的「先补结构、再补纹理」。

2.3 包里文件的分工与调用关系

拿到压缩包先别急着跑，把文件角色理清楚：

调用链是 Demo_inpaint → inpaint → bestexemplarhelper（通过 MEX 接口）。如果你在非 Windows 平台，dll 用不了，得自己用 mex 重新编译 bestexemplarhelper.c，这一步后面避坑章节会细说。

2.4 优先级计算里 P-Laplacian 的接入点

在 inpaint.m 里找优先级计算那段，通常会看到一个循环遍历破损边界上的像素。原版代码大概长这样：

% 原版数据项计算（示意） [Ix, Iy] = gradient(img); grad_perp = [-Iy, Ix]; % 梯度正交方向 normal = compute_normal(mask, p); D = abs(sum(grad_perp .* normal)) / 255;

改进版会把 gradient 那步换成 P-Laplacian 响应：

% P-Laplacian 加权后的数据项（示意） p = 1.5; % P-Laplacian 阶数，常用 1.2~1.8 [Ix, Iy] = gradient(img); grad_mag = sqrt(Ix.^2 + Iy.^2) + eps; weight = grad_mag.^(p - 2); % P-Laplacian 非线性权重 Ix_w = weight .* Ix; Iy_w = weight .* Iy; grad_perp = [-Iy_w, Ix_w]; normal = compute_normal(mask, p); D = abs(sum(grad_perp .* normal)) / 255;

逻辑说明：weight 这一项就是 P-Laplacian 的核心。当 p<2 时，grad_mag 越小（平坦区），weight 越大，扩散越强；grad_mag 越大（边缘），weight 越小，扩散被抑制。这样算出来的 grad_perp 在边缘处更干净，不会被噪声带偏。参数 p 是唯一需要调的，默认 1.5 是个稳妥起点，纹理密集的图可以往 1.2 压，结构为主的图可以往 1.8 提。

3. 跑通 Demo：从掩膜制作到 PSNR 输出

3.1 环境准备与 MEX 编译

MATLAB 版本没有硬性要求，但 bestexemplarhelper.dll 是预编译的，位数必须和你的 MATLAB 一致。64 位 MATLAB 配 64 位 dll，32 位配 32 位，混了直接报「invalid MEX-file」。如果你在 Windows 上且 dll 能用，跳过编译；否则在 MATLAB 命令行执行：

% 编译 MEX 文件，需提前配置好 C 编译器 mex -O bestexemplarhelper.c

-O 开优化，编译完会生成 bestexemplarhelper.mexw64（Windows）或 .mexa64（Linux）。如果报「No supported compiler」，去 MATLAB 的附加功能里装一个 MinGW-w64 编译器，这是常见做法，装完再跑一次 mex -setup 选它。

3.2 制作掩膜：决定修复范围的关键输入

Criminisi 需要一个二值掩膜，白色（1）表示待修复区域，黑色（0）表示已知区域。掩膜质量直接决定修复效果，别拿画图工具随手涂。常见做法是用阈值分割加形态学处理：

% 从原图生成掩膜示例：假设修复区域是亮色划痕 img = imread('damaged.png'); gray = rgb2gray(img); mask = gray > 200; % 阈值提取亮色划痕 mask = imdilate(mask, strel('disk', 2)); % 膨胀 2 像素，留余量 imwrite(mask, 'mask.png');

参数说明：阈值 200 是经验值，具体看划痕亮度和背景对比度，可以用 imtool 交互看灰度直方图定。膨胀半径 2 是防止掩膜边缘刚好压在真实边缘上，导致修复时把好像素也覆盖掉。掩膜宁可稍微大一点，也别漏掉破损边缘。

3.3 调用 inpaint 主函数

Demo_inpaint.m 里通常已经写好了调用模板，核心就几行：

% 主修复调用 img = imread('damaged.png'); mask = imread('mask.png'); mask = logical(mask); patch_size = 9; % 样本块大小，奇数 result = inpaint(img, mask, patch_size); imwrite(result, 'restored.png'); psnr_val = PSNR(img, result, mask); fprintf('PSNR = %.2f dB\n', psnr_val);

逻辑说明：patch_size 是样本块边长，9 是 Criminisi 论文里的推荐值。块太小，纹理匹配容易碎；块太大，结构延续会拖沓。inpaint 内部会先算优先级、再搜最佳样本块、然后拷贝像素并更新置信度，循环直到掩膜区域填满。PSNR 计算时注意第三个参数 mask——只算修复区域的 PSNR 才有意义，全图算会被未修改区域拉高。

3.4 PSNR 评估的正确用法

PSNR.m 的调用签名一般是 PSNR(original, restored, mask)。如果你手上没有无损原图，PSNR 就没法算，这时候只能靠目视评估。有原图的情况下，修复区域的 PSNR 能到 30 dB 以上算不错，28 以下基本能看出明显瑕疵。但别迷信 PSNR，它和主观质量的相关性有限，边缘糊没糊、纹理断没断，还是得放大看。

提示：跑 Demo 前先把 MATLAB 当前目录切到解压后的文件夹，否则 inpaint 找不到 bestexemplarhelper，会报 undefined function。

4. 避坑与排查：dll 报错、掩膜越界、优先级反转

4.1 MEX 文件加载失败

现象：运行 inpaint 时报「Invalid MEX-file 'bestexemplarhelper.mexw64': 找不到指定的模块」或「不是有效的 Win32 应用程序」。

原因：dll 位数和 MATLAB 不匹配，或者缺少运行时依赖库。预编译的 dll 可能链接了特定版本的 MSVCRT。

解决：先确认 MATLAB 位数（computer('arch')），然后自己用 mex 重新编译 bestexemplarhelper.c。编译前装好 MinGW-w64，mex -setup 选它。如果还报缺库，用 Dependency Walker 查 dll 依赖，补上对应运行库。

4.2 掩膜全白或全黑导致死循环

现象：程序卡住不结束，或者瞬间跑完但结果没变化。

原因：掩膜全白意味着所有像素都待修复，没有已知信息可用，优先级计算里置信度全为零，样本块搜索找不到有效源；掩膜全黑则循环条件直接不成立。

解决：跑之前用 sum(mask(:)) 检查掩膜像素数，确保既不为 0 也不等于图像总像素数。正常掩膜占比在 5% 到 30% 之间比较合理，超过 50% 修复质量会急剧下降，这不是算法问题，是信息量不够。

4.3 优先级反转导致结构断裂

现象：修复结果里长边缘补到一半突然拐弯，或者纹理方向错乱。

原因：P-Laplacian 的 p 参数设得不对。p 太大（接近 2），退化成普通 Laplacian，边缘保持效果消失；p 太小（接近 1），扩散过强，平坦区被过度平滑，优先级排序被噪声主导。

解决：p 从 1.5 开始试，每次调 0.1，观察边缘连续性。另外检查 inpaint.m 里 P-Laplacian 权重那行有没有加 eps，没加的话 grad_mag 为零时会出现 Inf 或 NaN，直接污染整个优先级矩阵。

4.4 PSNR 计算出负值或异常大

现象：PSNR 输出 -Inf 或者 100 以上。

原因：-Inf 通常是修复结果和原图在掩膜区域完全一致（MSE=0），或者数据类型不匹配导致减法溢出。异常大则是掩膜区域选错了，比如把未修复区域也算进去。

解决：确认 PSNR.m 里先把图像转成 double 再算 MSE，uint8 相减会截断。检查掩膜是不是 logical 类型，double 类型的掩膜在索引时会被当成数值而不是逻辑，导致区域选错。

4.5 大图跑不动或内存爆掉

现象：处理 1024×1024 以上的图时 MATLAB 卡死或报 Out of Memory。

原因：Criminisi 的样本块搜索是暴力匹配，复杂度随图像尺寸和掩膜面积平方增长，加上 P-Laplacian 权重计算额外开销，内存占用比原版高。

解决：先把图降采样到 512 宽跑通流程，确认参数后再上原图。或者把掩膜分成若干连通区域，逐块修复再合并。bestexemplarhelper.c 本身就是加速用的，确保它被正确调用，别退回到纯 MATLAB 的慢速搜索。

5. 进阶调参与验证：把 P-Laplacian 阶数当成旋钮来拧

跑通 Demo 只是起点，这份资源真正的价值在于 P-Laplacian 阶数 p 给了你一个连续可调的边缘保持旋钮。我一般会做一组对比实验：固定掩膜和 patch_size，让 p 从 1.1 到 1.9 步进 0.2，每个值跑一遍，把修复区域的 PSNR 和目视效果都记下来。

% p 参数扫描脚本 p_list = 1.1:0.2:1.9; psnr_results = zeros(size(p_list)); for i = 1:length(p_list) result = inpaint(img, mask, 9, 'p', p_list(i)); psnr_results(i) = PSNR(img, result, mask); imwrite(result, sprintf('restored_p%.1f.png', p_list(i))); end plot(p_list, psnr_results, '-o'); xlabel('P-Laplacian order p'); ylabel('PSNR (dB)');

这段脚本假设 inpaint 支持名值对参数传 p，如果你的版本里 p 是硬编码的，就去 inpaint.m 里把它提成函数参数。跑完看曲线，通常会看到一个先升后降的趋势，峰值对应的 p 就是这张图的最优值。纹理密集的图峰值偏左（p 小），结构为主的图峰值偏右（p 大）。

验证环节别只看 PSNR。把修复结果和原图在掩膜区域做差分，放大看边缘过渡带有没有振铃或模糊。P-Laplacian 的强项是保边，如果差分图里边缘处出现明显亮暗条纹，说明 p 太小、扩散过强；如果边缘处出现阶梯状伪影，说明 p 太大、退化成线性扩散了。

还有一个容易忽略的点：bestexemplarhelper.c 里的搜索窗口大小。默认可能是全图搜索，大图上极慢。常见做法是限制搜索半径，比如只在待补块周围 50 像素范围内找最佳样本，速度能快一个数量级，质量损失通常可接受。改完 C 源码记得重新 mex 编译。

从那以后我每次拿到一个新的修复算法包，都强制先跑一遍参数扫描再下结论，绝不拿默认参数的结果去对比别人的最优结果。希望这份拆解帮到你，少走点我当年踩过的弯路。

本文还有配套的精品资源，点击获取