1.一种层次化局部结构约束的遥感图像指定建筑区检测方法，其特征在于包括：
A)初始关键点生成，包括：
采用SIFT算法，对对待检测整视场遥感图像中提取的指定建筑区切片和待检测整视场遥感图像进行初始关键点提取，其提取的步骤包括：极值点检测、关键点精确定位、关键点方向分配及局部描述子的生成，
B)结构模式描述的疑似建筑区关键点筛选，包括：
B1)多尺度局部模式直方图特征描述
基于上一步对待检测整视场遥感图像获取的初始SIFT关键点，提取每个关键点邻域的多级局部模式直方图特征来描述其局部模式特性，多级局部模式直方图特征提取包括：
图像的量化，包括对每个初始关键点，以其中心领域滑块，大小为h*h，若令中心像素为gc，产生模式矩阵：
其中：gi为关键点邻域内的像素值，t为选定的阈值，
矩阵分裂，包括将产生的模式矩阵分裂成三个子矩阵：正矩阵，等矩阵和负矩阵，三个矩阵分别定义为：
和模式直方图的产生，包括：
对于每个子矩阵，根据连通区域情况，生成对应的子直方图，其中为了减少直方图的维数并增加局部模式直方图的可识别性，对直方图进行合并处理，包括通过公式：
vol(k)＝B×vol(k-1),k∈[2,L K]
进行合并处理，其中，vol(k)表示已有直方图的每个区间的体积，B是控制区间增长速度的系数，一般取值为2，
然后将三个直方图级联生成最后的局部模式直方图，其中，不同尺度对应不同的阈值t，
将不同尺度产生的单尺度局部模式直方图级联，得到最后的多尺度局部模式直方图，其中，阈值t的增长公式如下：
tm＝T×tm-1,m∈[2,K,M]
s.t tM＜C＜tM+1
其中：T为控制阈值增长的系数，C为图像中的像素最大值，M为尺度的总数，最终每个关键点生成的多级局部模式直方图特征共M×3×K维，不同地物关键点局部区域的多级局部模式直方图特征具有明显差别，可用来区分疑似建筑区与其他地物的关键点，
B2)基于OC-SVM进行建筑区关键点辨识，包括基于步骤B1)提取的关键点邻域的多级局部模式直方图特征，利用具有良好单类辨识特性的OC-SVM分类器构建建筑属性关键点邻域的样本概率分布二值模型，其中筛选阶段利用训练好的OC-SVM模型，判断待测关键点邻域样本属于建筑类或非建筑类，
C)对关键点局部结构相似性进行双层匹配，包括：
C1)进行关键点粗匹配，包括
对参考指定建筑区域图像提取SIFT关键点，对大视场待检测遥感图像按上述步骤提取筛选后的建筑属性关键点，并计算它们筛选后的关键点对应周围邻域的SIFT匹配特征，然后基于特征的欧式距离进行粗匹配，获取匹配点对：
其中，Ri和Sj分别为参考图像和遥感测试图像中的SIFT特征描述子，d(Ri,Sj)是与Ri的所有欧式距离中的最小值，d(Ri,Sk)为次小值，thr为设定的阈值，一般取值为0.8，C2)基于局部骨架结构相似性进行关键点精匹配，包括：
把参考图像中经过粗匹配后的匹配关键点集合定义为P＝{pi},i＝1,L N，其中：N为粗匹配后的匹配对数，其中每个关键点包含位置、尺度和方向三项信息，
对于上述粗匹配后的关键点，在其对应尺度和位置上计算关键点周围邻域的亮暗线骨架结构，其中，邻域半径选用对应描述子的半径由下式确定：
其中：d＝4，σoct为关键点的组内尺度，
对关键点邻域提取亮暗线骨架，并计算其骨架结构来表征该局域的结构特性，包括：
先计算邻域的平滑自适应二值分割图像BM:
BM＝(Otsu(MoP)ob)·b
对经过Otsu自适应阈值分割得到的二值图像进行开闭运算，去除二值图像的点噪声并填充孔洞，得到体现主要轮廓的的二值图像数据，其中：定义fob为用结构元素b对图像f进行形态学开运算，f·b用结构元素b对图像f进行形态学闭运算，
对BM关键点邻域前景部分提取亮线骨架，并计算其骨架结构density_br：
其中，定义Mor(BW,opt)为对二值图像进行形态学骨骼操作，当opt＝skel时，提取骨骼，当opt＝spur时，去除骨骼中的毛刺，其中row(·)为图像的行数，col(·)为列数，相应地，暗线骨架的提取区域为对应BM的背景部分，
计算其骨架结构density_dr：
从而，对参考图像和预测图像中的每个匹配点，同时提取了亮线骨架结构density_br和暗线骨架结构density_dr，
针对粗匹配后参考图像与遥感测试图像中的匹配点具有“多对一”的特点，以测试图像中匹配关键点为基准，遍历计算每个匹配点对的亮暗线骨架结构相似性，其中把参考图像中的关键点pri与测试图像中对应的一个匹配点psi1的亮暗线骨架结构相似性度量定义为:
其中测试图像中关键点邻域区域与参考图像中的骨架结构越相似该结构值差别越小，利用骨架结构相似性对可靠匹配对进行筛选，当在“多对一”的参考图像中的一个关键点pri对应测试图像中的多个匹配点psi1,L, 且N0为匹配点的个数且N0∈[1,N]时，分别得到对应的N0个骨架结构相似性S(pri,psi1),L, 并求其中的最大值S(pri,psir)＝
max(S(pri,psi1),L, r∈[1,N0]，此时认定关键点psir是正确且唯一的与关键点
pri对应的匹配点且骨架结构相似性S的大小表征了匹配的两个关键点邻域的结构相似性，并设定阈值T，
当第o对匹配对满足
S(pro,pso)＜T
认为该匹配对是不稳定匹配点对，进行剔除，最后获得可靠的匹配对，
如果得到的全部S值都小于阈值T，则认定测试图像中没有待检测的建筑区域，
D)利用可靠匹配点对获取指定建筑区域，包括：
由步骤C2)中获得的匹配对中选取可靠性最高即骨架结构相似性S最大的三个匹配对作为仿射变换获取指定建筑区域，包括对参考图像中的三个匹配点(x1,y1)，(x2,y2)，(x3,y3)和测试图像中对应的匹配点(x1′，y1′)，(x2′，y2′)，(x3′，y3′)，代入仿射变换的模型：
利用该仿射变换矩阵对给定的参考图像的边界值带入变换模型，得到指定建筑区域在测试图像中的位置的边界值，获取到指定的建筑区域。
2.一种层次化局部结构约束的遥感图像指定建筑区检测方法，用于检测复杂大视场遥感图像指定的建筑区，包括以下步骤：
首先，采用SIFT算法的关键点提取步骤，对待检测整视场遥感图像中提取的指定建筑区切片和待检测整视场遥感图像进行初始关键点提取。在建筑区属性关键点筛选阶段，提出结构模式描述的疑似建筑区关键点筛选方法：利用多级局部模式直方图特征，对之前初始生成的关键点进行特征描述，并采用OC-SVM筛选出其中具有建筑属性的关键点。在关键点匹配阶段，提出关键点局部结构相似性双层匹配方法：进行基于特征欧氏距离的快速粗匹配；之后利用表征同一建筑区的初匹配关键点具有较高的局部骨架结构相似性这一特性，精匹配筛选出相似性最高的三对匹配对。最后，利用仿射变换矩阵，将给定的参考图像的边界值带入变换模型，获取指定建筑区域。
3.根据权利要求2的检测方法，其特征在于：
针对实际复杂大视场应用场景下，已有检测方法普遍存在效率低、匹配检测准确性差的问题。本发明针对遥感图像指定建筑区检测，提出一种层次化局部结构约束的检测架构，该方法充分利用建筑区域的局部结构信息，设计对建筑属性候选关键点及精确匹配点对的层次化约束策略。本发明检测方法可大量减少冗余非建筑区的特征描述计算，并有效减少错误匹配点对，实现指定建筑区的可靠检测，步骤如下：
A)本发明采用SIFT算法的关键点提取步骤，对待检测整视场遥感图像中提取的指定建筑区切片和待检测整视场遥感图像进行初始关键点提取。
B)针对减少待检测整场景中冗余的非建筑区关键点数量，提出基于结构模式描述的疑似建筑区关键点筛选方法。利用多级局部模式直方图特征，对上述步骤初始生成的关键点进行特征描述，且采用OC-SVM筛选出其中具有建筑属性的关键点。
C)基于步骤B)中筛选获得疑似建筑区关键点，首先基于特征欧氏距离进行快速粗匹配。由于表征同一建筑区的初匹配关键点在相同尺度上应包含相似的场景局部信息，特别是具有较高的局部骨架结构相似性。因此，本发明提出利用该特性进一步筛选出高结构相似性的匹配点对。
D)对上述经过相似性度量保留下来的可靠匹配点对，进行结构相似性排序，选取相似性最高的三对匹配对，利用仿射变换矩阵，将给定的参考图像的边界值带入变换模型，获取指定建筑区域。若上一步没有保留下可靠的匹配点对，则认为带测试图像中没有指定的建筑区域存在。
4.根据权利要求2的检测方法，其特征在于：
在关键点生成阶段，本发明提出基于结构模式描述的疑似建筑区关键点筛选方法。利用多级局部模式直方图特征(MLPH)，对初始关键点进行局部模式特征描述，然后采用OC-SVM筛选出具有建筑属性的关键点。该方法可以从初始图像数量巨大的初始关键点中，有效筛选出任务相关的建筑属性关键点，极大减少了后续对非建筑区计算描述特征和匹配的运算量，提高了算法效率。此外，通过OC-SVM仅关注于建筑区关键点的特性，克服了非建筑区关键点产生于各类地物，特征属性丰富多样难点，提高了建筑属性关键点辨识的准确性，从而提高了整个匹配检测算法的准确性，具体步骤如下：
A)多尺度局部模式直方图特征描述
基于上一步对待检测整视场遥感图像获取的初始SIFT关键点，提取每个关键点邻域的MLPH(多级局部模式直方图特征)，MLPH计算包括：
图像的量化，包括对每个初始关键点，以其中心领域滑块，大小为h*h，若令中心像素为gc，产生模式矩阵：
其中：gi为关键点邻域内的像素值，t为选定的阈值。
矩阵分裂，包括将产生的模式矩阵分裂成三个子矩阵：正矩阵，等矩阵和负矩阵，三个矩阵分别定义为：
和模式直方图的生成，包括：
对于每个子矩阵，根据连通区域情况，生成对应的子直方图。其中为了减少直方图的维数并增加局部模式直方图的可识别性，对直方图进行合并处理。可通过公式：
vol(k)＝B×vol(k-1),k∈[2,L K]
其中，vol(k)表示已有直方图的每个区间的体积，B是控制区间增长速度的系数，一般取值为2，
然后将三个直方图级联生成最后的局部模式直方图，其中，不同尺度对应不同的阈值t，
将不同尺度产生的单尺度局部模式直方图级联，得到最后的多尺度局部模式直方图。
阈值t的增长公式如下：
tm＝T×tm-1,m∈[2,K,M]
s.t tM＜C＜tM+1
其中：T为控制阈值增长的系数，C为图像中的像素最大值，M为尺度的总数，最终每个关键点生成的MLPH特征共M×3×K维，不同地物关键点局部区域的MLPH特征具有明显差别，可用来区分疑似建筑区与其他地物的关键点，
B)基于OC-SVM进行建筑区关键点辨识，包括基于步骤A)提取的关键点邻域的MLPH特征，利用具有良好单类辨识特性的OC-SVM分类器构建建筑属性关键点邻域的样本概率分布二值模型，其中筛选阶段利用训练好的OC-SVM模型，判断待测关键点邻域样本属于建筑类或非建筑类。
5.根据权利要求2的检测方法，其特征在于：
在关键点匹配阶段，本发明提出基于关键点局部结构相似性的双层匹配方法，第一层先利用关键点的SIFT特征欧氏距离获取初始匹配点对。第二层计算粗匹配后关键点周围邻域的暗亮线骨架结构来表征其局部结构，并对具有较高局部结构相似性的关键点进行精匹配。该方法针对建筑区关键点的局域特性，通过粗精两层的层次化匹配设计，达到筛选出可靠匹配点对的目的，提高了匹配检测算法的准确性，具体步骤如下：
A)计算匹配关键点邻域的骨架结构特征：
把参考图像中经过粗匹配后的匹配关键点集合定义为P＝{pi},i＝1,L N，其中：N为粗匹配后的匹配对数，其中每个关键点包含位置、尺度和方向三项信息。
对上述粗匹配后的关键点，在其对应尺度和位置上计算关键点周围邻域的亮暗线骨架结构，其中，邻域半径选用对应描述子的半径，由下式确定：
其中：d＝4，σoct为关键点的组内尺度。
对关键点邻域提取亮暗线骨架，并计算其骨架结构来表征该局域的结构特性，包括：
先计算邻域的平滑自适应二值分割图像BM:
BM＝(Otsu(MoP)ob)·b
对经过Otsu自适应阈值分割得到的二值图像进行开闭运算，去除二值图像的点噪声并填充孔洞，得到体现主要轮廓的的二值图像数据，其中：定义fob为用结构元素b对图像f进行形态学开运算，f·b用结构元素b对图像f进行形态学闭运算，
对BM关键点邻域前景部分提取亮线骨架，并计算其骨架结构density_br：
其中，定义Mor(BW,opt)为对二值图像进行形态学骨骼操作，当opt＝skel时，提取骨骼，当opt＝spur时，去除骨骼中的毛刺，其中，row(·)为图像的行数，col(·)为列数，相应地，暗线骨架的提取区域为对应BM的背景部分，计算其骨架结构density_dr：
从而，对参考图像和预测图像中的每个匹配点，同时提取了亮线骨架结构density_br和暗线骨架结构density_dr。
B)计算匹配点对的骨架结构相似性：
针对粗匹配后参考图像与测试图像中的匹配点具有“多对一”的特点，以测试图像中匹配关键点为基准，遍历计算每个匹配点对的亮暗线骨架结构相似性，其中把参考图像中的关键点pri与测试图像中对应的一个匹配点psi1的亮暗线骨架结构相似性度量定义为:
其中测试图像中关键点邻域区域与参考图像中的骨架结构越相似该结构值差别越小，C)利用相似性筛选可靠匹配点对：
由于需要剔除的不可靠匹配点对包括“多对一”及不稳定的匹配对，因此本发明提出利用骨架结构相似性对可靠匹配对进行筛选，当在“多对一”的参考图像中的一个关键点pri对应测试图像中的多个匹配点psi1,L, 且N0为匹配点的个数且N0∈[1,N]时，分别得到对应的N0个骨架结构相似性S(pri,psi1),L, 并求其中的最大值S(pri,psir)＝max(S
(pri,psi1),L, r∈[1,N0]，其对应N0个数据中的第r个。此时认定关键点psir是正确且唯一的与关键点pri对应的匹配点且骨架结构相似性S的大小表征了匹配的两个关键点邻域的结构相似性。因此，并设定阈值T，
当第o对匹配对满足：
S(pro,pso)＜T
认为该匹配对是不稳定匹配点对，进行剔除。最后获得可靠的匹配对，进行后续关键点的精匹配。如果得到的全部S值都小于阈值T，则认定测试图像中没有待检测的建筑区域。