1.一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于，包括以下步骤：步骤a，输入分辨率差异大的两幅影像；

步骤b，采用Dense SIFT特征提取方法分别提取两幅影像的特征点，并获得特征点描述符；

步骤c，构建变形空间金字塔模型，并利用变形空间金字塔模型对提取的两幅影像中的特征点进行匹配，获得初始匹配点对；

步骤d，采用RANSAC方法剔除误匹配点，并输出最终的匹配结果。

2.如权利要求1所述的一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于：步骤a中差异大的两幅影像包括，高分辨率影像和中分辨率影像，高分辨率影像和低分辨率影像，中分辨率影像和低分辨率影像。

3.如权利要求1所述的一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于：步骤b中Dense SIFT算法以一个固定大小的网格或者边界框，固定的步长在影像上自左向右、从上到下的重叠方式提取特征点，所有特征点均匀分布在影像的各个区域。

4.如权利要求1所述的一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于：步骤c的具体实现方式如下，步骤c1，将两幅影像(参考影像和待匹配影像)分别分成m个矩阵网格单元；

步骤c2，将步骤c1中每个矩形网格进一步分成m×m矩形网格单元，直到达到预定数量的层次结构，以此得到网格层，网格层每个网格单元中的像素是一个节点，连接所有相邻节点和边缘，以及在相邻水平上的父子节点；

步骤c3，添加像素级层，像素级层中的像素之间不连接，每个像素只与它的父单元相连接；

步骤c4，计算网格层中每个网格单元的数据项Di以及最小化能量函数E(ti)，所述数据项Di代表节点i通过转移量ti从参考影像转移到相同尺度待参考影像的同一区域后，局部描述符与局部描述符之间的平均距离；所述最小化能量函数E(ti)表示节点从参考影像到待匹配影像达到最优平移；

步骤c5，计算像素级层中每个像素的数据项Di(ti,si)及最小化能量函数E(ti,si)，si为尺度变量；

步骤c6，采用置信度传播算法寻找参考影像网格层中每个节点在待匹配影像中的最佳对应关系，使每一个节点从参考影像到待匹配影像达到最优平移，即能量函数E(ti)最小化，并使得两幅图像每个节点之间的局部描述符距离最小，获得初始匹配点对；

步骤c7，采用置信度传播算法寻找参考影像像素级层每个像素在待匹配影像中的最佳对应关系，使每一个像素从参考影像到待匹配影像达到最优平移，即能量函数E(ti,si)最小化，并使得两幅图像每个像素之间的局部描述符距离最小，获得初始匹配点对。

5.如权利要求1所述的一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于：步骤c4中数据项Di以及最小化能量函数E(ti)的计算公式如下，其中Di是数据项，Vij是平滑项，Vij＝min(||ti-tj||1,λ)，j表示与节点i相连的父节点，α是一个固定权重，N代表被图像边缘所连接的节点对个数，阈值λ用于规范描述符之间的距离；

其中q代表一个节点i所提取出局部描述子的像素中心坐标，z代表描述符的总量，ti＝(ui,vi)代表节点i从参考图像向待匹配图像平移的转移量，并且d1和d2分别表示在参考图像像素中心坐标q和待匹配图像像素中心坐标q+ti所在位置的描述符，阈值λ为常数。

6.如权利要求5所述的一种基于变形空间金字塔的大尺度差异图像特征点匹配方法，其特征在于：步骤c5中每个像素的数据项Di(ti,si)及最小化能量函数E(ti,si)的计算公式如下，其中Wij＝||si-sj||1为尺度平滑项，β为权重常数，

其中si为尺度变量，是动态值，它是根据图像尺度变化的特定范围取相应的离散值。