基于surf特征点的图像局部图像抽取

原理

我们都知道著名的sift算法以及surf算法，但在当我们需要在海量数据中匹配点时，往往会出现很高的错误的匹配率，而且搜索算法的限制也是不可实用的方案，然而在使用其他图像特征进行搜索是比较可行的，而我们的人的眼睛在观察事物的时候也是有局部性的，使用这一特点，可搜索原图变化的图像，因为一张图，不可能全部地方都会被污染；这时候对图像进行分割是一个很重要的工作，下面就是结合surf算法的特征点来对图像进行分割的，这种做法就是冗余了太多的数据特征，但这个比google的硬分割的效果好很多

分割效果

（先看效果图：图片是某宝上的随便选取的图片）

下面这张经过裁剪和旋转变化以及污染后的图

下面是通过surf特征点进行抽取的局部小图

左半部分的小图像是经过原图变化后的抽取的局部小图像，右半部分是原图抽取的局部小图像；可以看到虽然不是全部准确的抽取了局部的小图像，这个结果还可以接受的；

分割源码

        //加载opencv本地库        System.loadLibrary( Core.NATIVE_LIBRARY_NAME );        Mat src=Highgui.imread("/root/Desktop/test_c.jpg");        //缩放图像大小        int nsize=300;        Mat dst=new Mat();        float height=src.height();        float width=src.width();        int nheight=0;        int nwidth=0;        if(height>=width)        {            nwidth=nsize;            nheight=(int) (height*(nsize/width));        }else        {            nheight=nsize;            nwidth=(int) (width*(nsize/height));        }        Size size=new Size(nwidth,nheight);        //缩放图像        Imgproc.resize(src, dst, size);        //高斯核大小        Size gsize=new Size(51,51);        Mat gdst=new Mat();        //中值滤波        Imgproc.medianBlur(dst, gdst, 11);        //高斯滤波        Imgproc.GaussianBlur(gdst, gdst, gsize, 11);        //获取surf特征点        FeatureDetector fd=FeatureDetector.create(FeatureDetector.SURF);        MatOfKeyPoint keypoints=new MatOfKeyPoint();        fd.detect(gdst, keypoints);        Integer loop=0;        int radius=50;        for(KeyPoint point:keypoints.toArray())        {            loop++;            //获取surf特征点的坐标            int ph=((int)(point.pt.y));            int pw=((int)(point.pt.x));            //从opencv Mat转换为BufferedImage             BufferedImage image=SegmentUtils.getImage(dst,".jpg");            if(nheight-ph>=radius && nwidth-pw>=radius && ph>radius && pw>radius)            {                //对图片形进行分割                SegmentUtils.drawCircle(image, pw, ph, radius,"/root/Desktop/b/tmp"+loop+".jpg");            }        }