1.一种结合相位与光谱的高分遥感影像分割方法，其特征在于，包括四个步骤：(1)根据图像边缘点之间的相位信息具有较高的一致性，实现了基于相位一致性信息的边缘检测；(2)计算局部均匀性指数J值，提取局部均匀性信息；(3)将相位一致性与局部均匀性相结合，构建边缘响应模型，同时遍历所有可能的参数组合，寻找目标函数的最小值，得到自适应的最优参数组合和响应模型；(4)在优化模型的基础上，对高分辨率遥感影像图像进行多尺度分割，并通过结构相似性(SSIM)对相邻区域进行融合。

2.如权利要求1所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，边缘检测中首先基于相位一致性提取图像的边缘信息，具体过程如下：设F(x)为一维离散信号，其傅里叶展开式可表示为：

其中，An，ωn， 分别为第n次谐波的幅值、角频率和初始相位；若某一边缘点的各次谐波值相等时有φ0＝φk(k＝1,2...n)，令A＝∑An，则公式(1)可以转化为:F(x)＝A sinφ0；

为进一步消除φ0的影响，通过构造能量函数E(x)来描述相位一致性：

由于在边缘特征点处各次谐波分量的值相等，因此公式(2)可以转化为:

在此基础上，采用Log Gabor小波的多尺度特征对相位一致性模型进行改进；定义变量PC来表示任意一个像素z的相位一致性大小，令(a,b)为像素z的坐标值，则改进后的二维相位一致性模型为：其中，尺度n下所有方向相位差异的和ΔΦn可表示为：

e(a,b)和o(a,b)分别为Log Gabor Filter的奇对称和偶对称小波；T0为噪声估计；C为避免分母为0的常数，通常取C＝0.01，o为滤波方向。

3.如权利要求1所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，引入梯度信息建立参数自适应边缘响应模型，参数自适应边缘响应模型的建立过程如下：Step1：影像量化；在LUV空间中采用FCM动态聚类对原始多光谱影像进行颜色量化，获得单一波段的包含Q个灰度级的量化影像；

Step2：基于局部同质性的边缘检测；在量化影像中，设任意一个像素为z∈Z，计算每个像素z的相位一致性值PCz(a,b)；遍历所有像素，获得初步边缘检测结果；

Step3：计算多尺度J-value集合；在量化影像中，构建以像素z为中心，尺寸为d×d像素的窗口P，其中d为尺度参数，去除窗口P中的角点；

令Pq为窗口中属于灰度级q的所有像素的集合，采用像素z的坐标Z(a,b)作为替换该像素的灰度值，令mq为Pq内所有像素的平均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：Pq中所有像素的均值为m，则总体方差可表示为：

则尺度参数为d时像素z对应的J-value为：

Jd(a,b)＝(ST-SW)/SW        (8)。

4.如权利要求3所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，基于所提取的相位一致性及局部同质性信息，对于任意一个像素z，构建边缘响应模型为：IER(a,b)＝PC(a,b)×J(a,b)           (9)

该模型主要涉及三个参数，即计算局部同质性模型时Log Gabor滤波器的尺度参数LGscale和方向参数LGori，以及计算J-value时的尺度参数d；为提高算法的自动化程度，提出基于尺度间互信息最小化的目标函数优化策略，来自适应的确定最优模型参数的组合；实现过程为：首先确定用于后续分割的总尺度数目K，参数LGscale，LGori以及d的取值范围；在此基础上，记两个连续尺度间的互信息为AMI，构建目标函数：AMItot＝-[AMI(1，2)+AMI(2，3)+...+AMI(K-1，K)]         (10)通过迭代操作在给定范围内遍历所有可能的参数组合，当AMItot取得最小值时，即认为此时获得的多尺度边缘图像序列Seqopt＝{Scale1,Scale2...ScaleK}能够最为充分的反映影像中具有代表性的边缘细节特征，则此参数组合所构建边缘响应模型为最优模型；同时，确定了最优的LGscale,LGori和d。

5.如权利要求4所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，多尺度分割在所提取的Seqopt中进行；令Tk＝μk+0.2σk以确定提取区域的阈值，其中，μk和σk为尺度Scalek下的灰度均值与标准差，k＝1,2...K；在最粗糙尺度ScaleK中，检测所有灰度值小于阈值TK的像素，进而采用4-联通方法获得种子区域，其余像素按照J-value值及与种子区域的距离按照从小到大的顺序逐个并入相邻的种子区域，从而获得ScaleK下的对象集合RK＝{RK1,RK2...RKN}；在下一个较精细尺度ScaleK-1中，分别以尺度ScaleK中提取的每个对象为基本分割单元，计算Tk-1从而构建种子区域并进行区域增长。以此类推，直到最精细尺度Scale1计算完毕，可获得初步分割结果R1。

6.如权利要求5所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，基于SSIM的区域合并过程为：在R1中，计算任意两个相邻对象RA和RB的结构相似性S(A,B)：

其中，A、B分别RA和RB对应的特征向量，μA，μB，σA，σB， σAB分别是A、B的均值，标准差，方差，A与B的协方差；C1，C2是为了防止当分母接近零时产生不稳定现象所添加的常数；

在Seqopt的所有尺度及原始影像的所有波段中分别计算S(A,B)，并取均值为 在此基础上，结合RAG(Region Adjacency Graphics)和 来进行区域合并。

7.如权利要求6所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，规则如下：Step1：依据R1生成区域邻接图RAG；

Step2：对任意一个对象RA，根据RAG确定所有与RA相邻的对象；

Step3：计算RA与相邻的一个对象RB，计算所有尺度以及原始影像所有波段下RA和RB的欧式距离均值Step4：若 则合并区域RA和RB，进入下一步。否则，返回Step2；

Step5：更新RAG，重复Step2至Step5，遍历所有对象及其相邻对象，直到没有能够合并的区域为止，从而获得最终分割结果。