[toc]
# 1. 概述
我在之前的文章[《基于均值坐标(Mean-Value Coordinates)的图像融合算法的具体实现》][netlink1]中，根据[《Coordinates for Instant Image Cloning》](https://www.cse.huji.ac.il/~danix/mvclone/)这篇论文，详细论述了图像融合中泊松融合算法的优化算法——均值坐标(Mean-Value Coordinates)融合算法的具体实现。其实在这篇论文中，还提出了两种优化实现，能够进一步提升效率，这里就论述一下其优化算法的具体实现。
# 2. 实现
## 2.1. 原理
均值坐标融合算法的核心思想是算出ROI中每个点的MVC(Mean-Value Coordinates)，如果ROI中存在n个点，ROI边界像素为m个点，那么该算法的时间复杂度至少为O(nm)。根据[《Coordinates for Instant Image Cloning》](https://www.cse.huji.ac.il/~danix/mvclone/)的描述，MVC融合算法修正值其实是一个线性区间，只要得到其中一些关键点的融合修正值，其他点的融合修正值就可以根据周围的融合修正值线性插值出来。
因此，可以通过CGAL来对ROI多边形边界构建一个自适应三角网，以边界上每个栅格点作为约束构网，为了满足Delaunay特性，就会在ROI内部新添加一些点，这样就会出现边界小而密集，边界大而稀疏的自适应三角网(可参看这篇文章[《通过CGAL将一个多边形剖分成Delaunay三角网》][netlink2])：
![imglink1]
这样，n个点就会将为常数级别个数c，也就是时间复杂度至少为O(cm)。当然从三角面上插值也会有时间消耗，但时间复杂度会明显小于计算均值坐标。
## 2.2. 核心代码
具体核心代码实现如下（完整的代码实现地址见文章末尾）：
```cpp
//三角网优化
void QImageShowWidget::MVCBlendOptimize(int posX, int posY)
{
QTime startTime = QTime::currentTime();
//Step1:找到边界上所有的像素点
vector
