在大数据的背景下,批量处理图像和视频已经成为一种常态。所以人们对图像和视频处理算法的速度要求就更高了。块匹配算法是很多图像和视频处理应用的基础算法。然而,块匹配算法却经常成为图像处理应用的性能瓶颈。解决块匹配问题的传统方法是暴力搜索,该方法虽然能保证较好的处理效果,但由于其是线性的,在处理大规模高维数据时会显得力不从心。所以,研究人员提出了很多改进的方法来解决块匹配问题,例如:三步法、四步法等快速搜索算法;基于KD树、VP树等高效数据结构的方法;Patch Match算法、GPM(Generalized Patch Match)算法等基于局部一致性的方法。所有的这些方法都能在保证匹配精度的同时,一定程度的加速匹配过程。特别是,基于局部一致性的这两种算法,极大地利用了图像本身的特性,将块匹配的速度提升到了一个新高度,并已经得到了很好的应用。块匹配的速度和精度一直是研究人员不懈的追求。虽然GPM算法已经获得了一个很好的匹配精度和交互度,但是其性能仍然存在改善的空间。GPM算法是在位移、尺度、角度空间下进行块匹配计算的,主要包含初始化和迭代两个步骤,而迭代又包含传播和随机搜索两个操作。我们发现,在匹配结果较好的位置,GPM算法的随机搜索阶段存在一些冗余计算,这在一定程度上影响了匹配速度。并且,随机搜索时,横向位移、纵向位移、角度和尺度同时收缩会损失一些已经匹配得到的有效信息,这样会影响算法的匹配精度。针对以上不足,本文提出了一种针对GPM算法的改进算法。本文采用Patch Match算法对GPM算法进行初始化,这样,算法在初始化阶段就获得了较好的位移信息。然后在随机搜索阶段,本文加入两个阈值,根据该位置当前匹配误差的具体情况来采取三种不同的处理方式:(1)如果当前匹配误差大于平均误差,采取位移、角度、尺度同时收缩的随机搜索方式;(2)如果当前匹配误差小于平均误差,但大于平均误差的二分之一,则固定位移,仅收缩角度和尺度;(3)如果当前匹配误差小于平均误差的二分之一,则该位置不进行随机搜索操作。如此一来,就能充分利用当前已经匹配得到的有效信息,并尽量减少冗余计算,从而提高算法的匹配精度和交互度。实验表明,在处理绝大部分输入时,本文算法在匹配速度和匹配精度上都有提升。