1.一种顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述顾及高阶结构特征的异源遥感影像同名点匹配方法包括以下步骤：

1)异源影像匹配前的数据准备：所述异源影像匹配前的数据包括生成金字塔影像；所述金字塔影像包括原始影像层以及非原始影像层；所述非原始影像层以及原始影像层自上而下依次叠加并形成金字塔结构；所述原始影像层为第0层金字塔影像；

2)在金字塔影像上的原始影像层进行特征点簇的划分与提取：将原始影像层的整幅原始影像均匀分布一定大小的子区，在各子区内部，进一步划分若干均匀分布的格网；在每个格网范围内，采用摄影测量中常用的Forstner特征提取算子点的方法在每个格网内提取最佳特征点，形成特征点点簇；

3)特征点匹配候选点的确定：在每层金字塔影像上进行特征点初始点位的预测、建立核线几何约束方程、匹配窗口影像的几何粗纠正以及基于归一化互信息测度的匹配，确定每个特征点对应的匹配候选点；

4)顾及高阶结构特征的同名点匹配：待步骤3)中的每个特征点对应的匹配候选点的确定完成后，在每层金字塔影像上以原始影像层的特征点点簇为单元，同时考虑每个特征点所对应的匹配候选点的灰度相似性特征以及高阶的几何特征，通过基于超图的整体影像匹配方法确定每个特征点对应的同名点；所述每个特征点所对应的匹配候选点的灰度相似性特征是一阶特征；所述高阶的阶数不低于两阶；

5)在每层金字塔影像中进行基于RFM模型的区域网平差，剔除错误的匹配候选点以及计算匹配候选点所对应物方坐标；

6)自上而下逐层完成金字塔影像的匹配直到完成原始影像层，最终实现异源遥感影像同名点的自动可靠匹配。

2.根据权利要求1所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述步骤4)的具体实现方式是：

4.1)构建超图模型；

4.2)对步骤1)所得到的超图模型进行超边采样；

4.3)根据采样结果对超图模型进行解算，由解算结果确定每个特征点对应的同名点。

3.根据权利要求2所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述步骤4.1)的具体实现方式是：设某个特征点点簇为P1，特征点个数为N1，所述特征点所对应的匹配候选点集合为P2，特征点个数为N2， 表示集合P1和P2的第i个特征点；集合P1和P2对应的超图模型为G＝(V,E,A)和G′＝(V′,E′,A′)；

其中：

V和V′分别为对应的特征点顶点集合，即

为超边的集合，d为超边包含特征点个数；

A和A′为超边所对应的属性集；

设特征点点簇P1对应的匹配候选点的顶点响应集合为 C的一个k元组如公式(1)所示：cs1＝(v1,v′1)，…，cs1＝(vk,v′k)   (1)其中：

(v1,…,vk)∈V；

(v′1,…,v′k)∈V′；

分别令超边e1,…,k表示包含了顶点v1,…,vk的边，超边e′1,…,k表示包含了顶点v′1,…,v′k的边；对于一个k阶图的超图匹配，通过比较两个度为k的超边的相似性来衡量k元组的相似性；指定k维相似性度量函数fk，所述k维相似性度量函数fk的参数为超图属性集合A和A′中的属性向量；可以将更低阶的超边同时考虑，此时k阶超边的相似度张量为：Tsi(1)＝f1(ai,a′i)      (2)

式中：

(k)

参数γ 表示k阶超边相似度的加权系数；

T的右上标(k)表示张量的维数；

a1,…,k,a′1,…,k分别表示k阶超图属性集合中的向量参数；

设超边最大阶数为δ，相似性张量Tδ为高阶张量，包含了所有不同度超边的相似性信息。

4.根据权利要求3所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述步骤4.2)的具体实现方式是：对特征点点簇及特征点所对应的匹配候选点，采用k-d树(k-dimensional树)建立起空间索引，对特征点点簇的每个特征点，采用随机采样的方式，随机抽取一定数量的包含该特征点的3元组作为其超边；而在特征点匹配候选点所在影像上，并非采样所有的三元组，而是仅考虑由该特征点采样超边所包含特征点对应匹配候选点构成的3元组，且3元组中任意两个点均不重复。

5.根据权利要求4所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述步骤4.3)的具体实现方式是：超图匹配，是在顶点响应集合C中，寻找最优的响应关系，用一个二进制赋值矩阵描述，其一般满足双向约束，即 对二进制赋值矩阵X向量化，用x表示，则对于x，其对应的影像匹配总相似度为：

score(x)取得最大值所对应的x*即为最优二进制赋值矩阵所对应的向量；

公式(4)可用张量积表示为：

超图匹配利用张量幂迭代算法进行求解，获取特征点点簇中每个特征点所对应的同名点。

6.根据权利要求1-5任一所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述步骤3)中基于归一化互信息测度的匹配的具体实现方式是：在每层金字塔影像上以特征点的初始点位为中心，开辟一个矩形窗口，生成搜索窗口影像；利用所建立的核线几何约束方程，对搜索窗口影像的每个像素遍历，首先计算搜索窗口影像中当前遍历的像素到核线方程的距离，当该像素到核线方程的距离小于给定的阈值时，以该像素为中心开辟匹配窗口；当匹配窗口的几何变形超过指定阈值时，对匹配窗口中的影像进行几何粗纠正，所述匹配窗口的几何变形包括旋转角度变形参数以及缩放比例变形参数；然后，利用归一化互信息测度，计算待匹配特征点与搜索窗口中各像素的相似度；

对搜索窗口各像素的归一化互信息测度值，采用非极大抑制算法提取局部最大值，归一化互信息测度局部最大值大于指定阈值所对应的像素即为特征点所对应的匹配候选点；当特征点所对应的匹配候选点个数大于5个时，对特征点所对应的匹配候选点按归一化互信息测度值进行大小排序，取前5个；最后，将特征点所对应的匹配候选点的结果按照特征点点簇为单元进行数据组织。

7.根据权利要求6所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述异源影像匹配前的数据还包括根据需要计算异源遥感影像的RPC参数。

8.根据权利要求7所述的顾及高阶结构特征的异源遥感影像同名点匹配方法，其特征在于：所述异源遥感影像的RPC参数的获取方式是：采用与地形无关的方法利用影像的严格几何模型，基于不同高程面生成的密集且均匀分布的虚拟控制格网，利用虚拟控制点按最小二乘原理进行解算，得到影像的RPC参数。