1.一种基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，主要包括三个步骤：1)基于局域同质性指标的J-value的自适应SP选择，从而确定了最佳多尺度J-image序列；2)基于尺度间对象边界约束策略的图像分割，实现了由粗到精的多尺度分割；

3)基于多特征的区域合并，以应对分割结果中可能存在的过分割现象。

2.如权利要求1所述的基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，基于局域同质性指标的J-value的自适应SP选择中：多尺度J-image的计算过程如下：首先对原始影像在LUV空间进行颜色量化；在量化影像中，设定以像素z为中心尺寸为M×M(M即为SP)像素的窗口Z，并将窗口中的每个像素的坐标z(x,y)作为其像素值，且z(x,y)∈Z；同时将窗口中的角点去除；

设量化影像中灰度级总数为P，令Zp为窗口Z中属于灰度级p的所有像素的集合，mp为所有属于灰度级p的像素对应的像素均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：

窗口Z内所有像素的总体方差可表示为：

则局部同质性指标J-value可定义为：

J-value＝(ST-SW)/SW   (3)

此时，将像素z对应的J-value作为该像素的像素值，遍历整幅量化影像，可获得SP为M时的J-image，通过改变SP可获得多尺度的J-image序列；

基于J-value的自适应SP选择策略的步骤为：

Step1:计算SP为M(M＝5,6....N)时的J-image序列，其中M＝5是J-image允许的最小窗口尺寸，N代表了最粗糙尺度的J-image；

Step2:计算所有尺度J-image下的像素J-value均值 并构建 曲线。

Step3:在众多 曲线的拐点中，仅选择一些最为突出的拐点，这些拐点应满足

3.如权利要求2所述的基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，在分割阶段，提出基于尺度间对象边界约束的分割策略；设最佳J-image序列包含L个尺度，可表示为Sk(k＝1,2...L)，具体实现过程如下：Step1:首先对最粗糙尺度S1进行分割。根据公式(4)确定阈值T1进行种子区域提取，其中μk和σk分别表示尺度Sk中所有像素的J-value均值和方差；

Tk＝μk-0.2σk，(k＝1,2...L)   (4)

在S1中，所有J-value值小于T1的像素采用四连接方法构成联通区域，作为一个个种子区域；以种子区域为起点，按照上下左右四个方向以J-value值从小到大的顺序进行区域增长，相邻区域发生交汇时的边界就构成了S1下的分割结果；

Step2:将上一尺度的对象边界映射到当前尺度并进行修正；将当前尺度J-image转化为一幅二值图像，仅保留通过尺度间映射提取的对象边界，并进行形态学膨胀操作。膨胀结构单元尺寸设定为M×M像素，M为当前尺度的SP；利用膨胀后的边界将当前尺度J-image划分为一个个独立的种子区域，并对这些种子区域按照J-value值从小到大进行区域增长，相邻区域发生交汇时的边界即为边界修正的结果；

对于内部均质程度较高的对象即认为其已与实际地物类型匹配，在当前尺度下不再进行分割；判断规则为该对象内部的J-value均值应小于当前尺度对应的阈值Tk；在此基础上，根据阈值Tk对剩余对象进行分割，分割过程与尺度1相同，并将分割结果映射到下一尺度；

Step3:重复Step2的分割过程，直到尺度L分割完毕，从而获得初步的分割结果。

4.如权利要求3所述的基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，根据最佳SP计算原始影像每个波段对应性多尺度J-image序列；设原始影像包含F个波段，对于任意一个对象q，定义特征向量Jqf＝(Jq1,Jq2，…，JqF)，其中每个分量代表了对象q在每个波段L个尺度J-image下的J-value均值，那么对于任意波段f(f＝1,2…F)，有通过判断相邻对象qA和qB的特征向量间的欧式距离来判断其相似程度，如公式(5)所示。

采用RAG来进行区域合并，具体过程如下：

Step1:根据尺度L中的分割结果，生成所有相邻对象的RAG；

Step2:选择与任一对象qA相邻的所有对象，根据公式(5)计算欧式距离；

Step3:若存在对象qB满足D(qA,qB)≤0.1，则认为qA和qB属于同一对象，合并qA和qB并生成新的RAG；否则，返回Step2；

Step4:重复Step2至Step3，遍历所有对象，获得最终分割结果。