【技术实现步骤摘要】
本专利技术无人机毁伤评估领域，具体涉及一种基于特征匹配和k均值聚类的打击毁伤评估方法。
技术介绍
1、传统的打击毁伤评估方法多依赖于人工观测、现场勘查或事后分析，这些方法不仅耗时费力，而且易受环境、天气和人为因素的影响，导致评估结果存在较大的不确定性和滞后性。
2、随着遥感技术、图像处理技术和大数据分析技术的快速发展，基于遥感影像和图像特征的自动评估方法逐渐成为打击毁伤评估领域的研究热点。这类方法通过捕捉和分析打击前后的地表变化特征，如建筑物倒塌、植被破坏、道路损毁等，来量化评估打击效果。
技术实现思路
1、本专利技术所要解决的技术问题是：
2、为了避免现有技术的不足之处，本专利技术提供一种基于特征匹配和k均值聚类的打击毁伤评估方法，用于解决现有人工评估带来的不确定性和滞后性。
3、为了解决上述技术问题，本专利技术采用的技术方案为：
4、一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，包括：
5、获取针对同一目标或区域毁伤前后的两张无人机航拍图像；
6、对获取到的图像进行灰度处理得到灰度图像；
7、基于灰度图像分别进行插值缩放得到统一大小；
8、基于深度学习superpoint/superglue算法对缩放后的灰度图像提取特征点并计算特征点匹配关系；
9、基于特征点匹配关系和随机抽样一致算法计算单应性变换矩阵；基于单应性变换矩阵，通过透视变换将打击前的图像匹配至打
10、对匹配图像与打击后图像设置一批等坐标等间隔位置采样点，通过sift算法计算采样点的特征信息，基于特征信息进行过滤，得到第一毁伤区域差异点；
11、基于k均值聚类算法对第一毁伤区域差异点进行聚类，过滤距离采样中心较远的采样点，得到第二毁伤区域差异点；
12、基于第二毁伤区域差异点的像素坐标绘制标注矩形框，实现了毁伤区域的自动化分析与标注。
13、本专利技术进一步的技术方案：所述获取针对同一目标或区域毁伤前后的两张无人机航拍图像，具体为：
14、通过无人机光电载荷获取针对同一目标或区域毁伤前后的两张无人机航拍图像。
15、本专利技术进一步的技术方案：所述对获取到的图像进行灰度处理得到灰度图像，具体为：
16、基于图像的rgb像素值对获取到的图像进行灰度处理，得到8bit灰度图。
17、本专利技术进一步的技术方案：所述基于灰度图像分别进行插值缩放得到统一大小，具体为：
18、使用双三次插值算法对灰度图像的像素点做插值运算，得到毁伤前后统一大小的灰度图像。
19、本专利技术进一步的技术方案：所述基于深度学习superpoint/superglue算法对缩放后的灰度图像提取特征点并计算特征点之间的匹配关系，包括：
20、分别将毁伤前灰度图像和毁伤后灰度图像输入至训练好的superpoint网络模型，得到对应图像的特征点和特征向量；
21、将特征点与特征向量输入至训练好的superglue网络模型，得到特征点匹配关系。
22、本专利技术进一步的技术方案：所述基于特征信息进行过滤，包括：
23、设置图像差异特征阈值；
24、依次遍历所有采样点的特征，计算毁伤前后图像相同位置采样点sift特征的均方差，如果该均方差大于图像差异特征阈值则保留该差异点。
25、本专利技术进一步的技术方案：所述基于k均值聚类算法对第一毁伤区域差异点进行聚类，包括：
26、设置每个采样点和聚类中心点的距离阈值；
27、对每个聚类中心进行遍历，计算每个类别中采样点和聚类中心的距离，当该距离超过距离阈值，则过滤该采样点。
28、一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
29、一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
30、一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
31、本专利技术的有益效果在于：
32、本专利技术提供的一种基于特征匹配和k均值聚类的打击毁伤评估方法，基于深度学习superpoint/superglue的特征匹配，能够实现对图像中细微特征的准确捕捉与匹配，在复杂场景和光照变化下仍能保持较高的鲁棒性，从而确保了在计算差异点之前图像匹配的准确性；利用k均值聚类算法对特征匹配后的差异点进行筛选，有效减少了误匹配和冗余信息的影响，能够自动区分出由毁伤引起的显著变化与图像中的自然差异，提高了毁伤识别的效率与准确度。整个评估流程高度自动化，减少了人工干预的需求，从特征提取到聚类分析，再到最终的毁伤标注，均依赖于算法处理，显著提升了毁伤评估的智能化水平，评估结果以直观、可视化的方式呈现，便于用户快速理解毁伤程度和位置，为后续的决策提供有力支持。
本文档来自技高网...【技术保护点】
1.一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，包括：
2.根据权利要求1所述一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，所述获取针对同一目标或区域毁伤前后的两张无人机航拍图像，具体为：通过无人机光电载荷获取针对同一目标或区域毁伤前后的两张无人机航拍图像。
3.根据权利要求1所述一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，所述对获取到的图像进行灰度处理得到灰度图像，具体为：
4.根据权利要求1所述一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，所述基于灰度图像分别进行插值缩放得到统一大小，具体为：
5.根据权利要求1所述一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，所述基于深度学习SuperPoint/SuperGlue算法对缩放后的灰度图像提取特征点并计算特征点之间的匹配关系，包括：
6.根据权利要求1所述一种基于特征匹配和K均值聚类的打击毁伤评估方法，其特征在于，所述基于特征信息进行过滤，包括：
7.根据权利要求1所述一种基于特征匹
8.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
9.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
10.一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
...【技术特征摘要】
1.一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，包括：
2.根据权利要求1所述一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，所述获取针对同一目标或区域毁伤前后的两张无人机航拍图像，具体为：通过无人机光电载荷获取针对同一目标或区域毁伤前后的两张无人机航拍图像。
3.根据权利要求1所述一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，所述对获取到的图像进行灰度处理得到灰度图像，具体为：
4.根据权利要求1所述一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，所述基于灰度图像分别进行插值缩放得到统一大小，具体为：
5.根据权利要求1所述一种基于特征匹配和k均值聚类的打击毁伤评估方法，其特征在于，所述基于深度学习superpoint/superglue算法对缩放后的灰度图像提取特征...
【专利技术属性】
技术研发人员：李金京，刘佳奇，刘宏娟，蒋有志，李佳帅，
申请(专利权)人：西安爱生技术集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。