1.一种面向高分辨率遥感图像的分割方法，其特征在于：包含以下步骤，S11：根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度，将原始图像划分成M×N个正方形子图{Pe|e＝1,2,...,M×N}，记集合A＝{1,

2,...,M×N}；

S12：提取每个子图Pe的典型纹理特征，包括灰度熵 对比度角度二阶矩 其中，m×m指的是子图Pe的像

素大小，p(i,j)指的是子图Pe中像素对(i,j)和(i+a,j+b)出现在子图Pe中的概率，像素差分值a,b可以根据图像纹理细腻程度的高低而取不同的常数；

S13：提取每个子图Pe的典型几何特征，包括线段平均长度其中H指的是子图Pe中检测到的线段数量,(xks,yks),(xke,yke)指的是第k条线段起止点位置的坐标；线段长度熵其中H1是子图Pe线段长度直方图中区间的个数，NLEN(l)是在子图Pe线段长度直方图中位于第l个区间内的线段个数；梯度幅值均值其中Gx(i,j)和Gy(i,j)分别是子图Pe中像素对(i,j)和(i+a,j+b)对应向量的水平梯度和垂直梯度；

S14：提取每个子图Pe的典型光谱特征，包括像素值均值 其中Xij指的是像素(i,j)的值；标准偏差 像素值的协方差S15：将上述步骤中的多种特征进行融合，得到综合特征向量Ve＝[α1ENTα2CONα3ENEα

4LENMEANα5LENENTROPYα6GRADMEANα7PIXMEANα8PIXSTDα9PIXCOV]T，其中{αi|i＝1,2,...,9}是每种特征归一化的权重系数，e＝1,2,...,M×N；再利用支持向量数据描述方法对综合特征向量进行处理，通过对子图的迭代聚类实现图像分割。

2.如权利要求1所述的一种面向高分辨率遥感图像的分割方法，其特征在于：所述步骤S15中所利用的支持向量数据描述方法，包含以下步骤：S21：引入满足Mercer定理的非线性映射 满足 其中核函数k(.,.)的形式有线性核函数，多项式核函数，径向基核函数，Sigmoid核函数和复合核函数；

S22：在引入映射 的核特征空间中求解以下二次规划问题s.t.0≤αe≤C,e＝1,2,...,M×N其中，C代表人为对聚类误差的惩罚参数；求解出符合上述规划要求的αe，其下标集合B所对应的子图即为原始图像中可以被聚为一类的子图集合；计算聚类因子 其中||.||为集合元素个数运算符；

S23：若聚类因子λ≥λmax，则意味着原始图像分割结束；若λ＜λmax，令A＝A-B，转向步骤S12，并进而迭代执行其后续步骤，其中λmax为聚类子图比例上限阈值，控制着聚类过程的迭代次数和图像分割的精细程度。