1.一种基于对抗补丁的栅格地图数据保护方法，其特征在于：具体包括以下步骤：S101：获取地理目标图像；

S102：补丁初始化，并将初始化后的补丁与所述地理目标图像一同输入至构造好的神经网络模型；

S103：利用随机梯度下降法和置乱度评价方法指导神经网络迭代更新补丁的值，以对补丁进行训练，最终选定能让地理目标图像被分类成目标类的期望概率最大的补丁作为对抗补丁生成结果；

S104：利用区域修正方法获取地理目标在地理目标图像上的区域位置；

S105：利用Actor‑Critic方法和基于多特征的图像相似度评价方法联合决策对抗补丁在地理目标所在区域内的应用方式；

S106：得到带有对抗补丁的地理目标图像。

2.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S102中的神经网络模型包括Inceptionv3、Resnet50、Xception、VGG16和VGG19。

3.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S102中，神经网络的分类目标类别包括：期望将地理目标错误分类的类别和期望将地理目标正确分类的类别。

4.如权利要求3所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：补丁初始化具体为：指定一个目标类别图像作为初始补丁或者随机任意选择一副目标类别图像作为初始补丁。

5.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S103具体为：

S201：设定补丁训练迭代次数；

S202：随机生成补丁在地理目标图像上的放置位置、缩放大小和旋转角度；

S203：通过补丁应用的运算符将补丁添加在地理目标图像上，其计算方法为：img′＝G(img，p，l，t(s，z))其中img代表地理目标图像，p代表补丁，l代表补丁放置位置，函数t表示对补丁做的变换操作，s代表缩放比例，z代表旋转角度，img’代表应用补丁后的地理目标图像；

S204：利用随机梯度下降法和置乱度评价方法指导补丁更新；

S205：计算img’被分类成正确目标类的期望概率，取能使期望概率最大的补丁作为此次更新结果，其计算公式为：

其中 表示正确目标类别，I为地理目标图像集合，T是补丁转换的分布，L是图像位置的分布，Pr运算表示概率计算；

S206：判断是否达到预设的迭代次数，如是，则训练结束，转至步骤207；否则返回步骤

202，继续迭代；

S207：输出并记录最后一次迭代的对抗补丁生成结果。

6.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S104具体为：

S301：利用区域修正方法生成候选区域；

S302：选定区域得分最高的候选区域，作为地理目标在地理目标图像上的区域位置；其中区域得分为该区域内包含地理目标的分类概率。

7.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S105中，Actor‑Critic算法中通过策略函数πθ(a|s)学习补丁放置策略，并对当前策略的值函数Vφ(s)进行估计。

8.如权利要求1所述的一种基于对抗补丁的栅格地图数据保护方法，其特征在于：步骤S105中，基于多特征的图像相似度评价综合考虑灰度、色度和纹理的分布特征，其计算公式为：

S＝(Dg≥hg)∩(Dc≥hc)∩(Dk≥hk)其中，Dg和hg分别表示灰度分布相似度和对应的阈值，Dc和hc分别表示色度分布相似度和对应的阈值，Dk和hk分别表示纹理特征相似度和对应的阈值。