1.一种矢量数据与遥感影像的自动配准方法，其特征在于：包括以下步骤：步骤1、基于矢量数据，利用扫描线算法提取三值矩阵A；

步骤2、基于遥感影像提取灰度矩阵G，并利用Canny算子得到灰度矩阵G的边缘矩阵E；

步骤3、使用边缘矩阵E在三值矩阵A上进行遍历，生成归一化的边缘配准因子矩阵F'边；

步骤4、使用灰度矩阵G在三值矩阵A上进行遍历，生成归一化的灰度配准因子矩阵F'灰；

步骤5、基于配准因子的特性，进行矢量数据与遥感影像的自动配准；

步骤6、提取矢量要素规定范围内的遥感影像数据。

2.根据权利要求1所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤1具体包括：

1.1、提取矢量数据的最小外包矩形，根据公式(1)将其转换为二值化栅格矩阵Y＝{y(i,j)|i＝0,...,m‑1；j＝0,...,n‑1}，其中m为矢量数据外包矩形的高度，n为矢量数据外包矩形的宽度；

1.2、创建布尔型标志矩阵F＝{f(i,j)|i＝0,...,m‑1；j＝0,...,n‑1}判断是否为矢量要素边缘；

1.3、对每条行扫描线Lt＝{(t,j)|j＝0,...,n‑1}(t∈[0,m‑1])，利用公式(2)对标志矩阵F进行赋值；

1.4、根据标志矩阵F，分别标识矢量要素的边界与内部；创建矩阵A＝{a(i,j)|i＝

0,...,m‑1；j＝0,...,n‑1}，初始默认值为0，根据公式(3)进行赋值得到赋值后的三值矩阵A，其中矢量数据边缘点标识为2，内部点标识为1，背景点标识为0；

3.根据权利要求2所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤2具体包括：

2.1、基于公开遥感影像提取灰度矩阵：读取遥感影像数据到矩阵C＝{c(i,j)|i＝

0,...,p‑1；j＝0,...,q‑1}中，根据公式(4)将其处理为灰度矩阵G＝{g(i,j)|i＝0,...,p‑

1；j＝0,...,q‑1}；

g(i,j)＝0.299*cr(i,j)+0.587*cg(i,j)+0.114*cb(i,j)      (4)其中，p为遥感影像数据高度，q为遥感影像数据宽度，且满足条件(p＞m)and(q＞n)；cr(i,j)、cg(i,j)、cb(i,j)分别表示点(i,j)处遥感影像C的R、G、B值；

2.2、使用高斯滤波器对灰度矩阵G进行平滑操作；

2

a)利用公式(5)计算用户给定尺寸(2k+1)*(2k+1)与方差σ下高斯卷积核G'＝{g'(x,y)|x＝‑k,...,k；y＝‑k,...,k}；

b)将卷积核G'与遥感影像灰度矩阵G进行卷积，得到平滑后图像矩阵S＝{s(i,j)|i＝

0,...,p‑1；j＝0,...,q‑1}；

2.3、计算梯度幅值和方向；利用公式(6)、(7)、(8)计算平滑矩阵S的梯度的幅值与方向；

θ(i,j)＝arctan(Px(i,j)/Py(i,j))            (8)其中Px，Py分别为图像在x，y方向上的梯度算子，Px(i,j)，Py(i,j)为点(i,j)处梯度算子与平滑矩阵的乘积，arctan表示正切函数，M(i,j)为平滑矩阵S在(i,j)处的幅值，θ(i,j)为平滑矩阵S在(i,j)处的方向；

2.4、对梯度幅值进行非极大值抑制：根据公式(9)，得到非极大值抑制后的梯度矩阵Grad＝{grad(i,j)|i＝0,...,p‑1；j＝0,...,q‑1}；

其中M前表示沿梯度方向上点(i,j)的前一个点的梯度幅值，M后表示沿梯度方向上点(i,j)的后一个点的梯度幅值；

2.5、依据双阈值法进行边缘检测与连接：设立高阈值δ高和低阈值δ低，满足条件(10)的点(i,j)即可判定为边缘点，将这些点进行连接，得到最终的边缘图像矩阵E＝{e(i,j)|i＝

0,...,p‑1；j＝0,...,q‑1}；

g(i,j)＞δ高or(g(i,j)＜δ高and g(i,j)＞δ低and flag(i,j)＝true)     (10)

4.根据权利要求3所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤3具体包括：

3.1、设定遥感影像左上角的点作为原点，利用边缘图像矩阵E及三值矩阵A,得到用户自有矢量数据在不同位置时，其左上角的点与遥感影像原点相对位移偏差的点对集合D＝{(dx,dy)|0≤dx≤p‑m‑1；0≤dy≤q‑n‑1}，根据公式(11)计算集合D中的任一偏差(dx,dy)对应的结果矩阵

3.2、根据公式(12)，计算该偏差对应的结果矩阵T内的要素之和f；

3.3、集合D中各要素对应的要素和构成的结果矩阵F边＝{f边(x,y)|x＝0,...,p‑m‑1；y＝0,...,q‑n‑1}，即为边缘配准因子矩阵；

3.4、将得到的边缘配准因子矩阵F边，根据公式(13)进行归一化，得到归一化边缘配准因子矩阵F'边＝{f'边(dx,dy)|dx＝0,...,p‑m‑1；dy＝0,...,q‑n‑1}；

其中，f边max表示边缘配准因子矩阵的最大值，f边min表示边缘配准因子矩阵的最小值。

5.根据权利要求4所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤4具体包括：

4.1、利用灰度图像矩阵G及三值矩阵A,对集合D中的任一偏差{(dx,dy)}，根据公式(14)计算其对应的结果矩阵T'＝{t'(i,j)|i＝0,...,m‑1；j＝0,...,n‑1}；

4.2、根据公式(15)、(16)计算其所对应的结果矩阵中非零值的方差f'；

其中R为结果矩阵T'中非零值的个数；

4.3、集合D中各要素对应的方差构成的结果矩阵F灰＝{f灰(x,y)|x＝0,...,p‑m‑1；y＝

0,...,q‑n‑1}即为灰度配准因子矩阵；

4.4、将得到的灰度配准因子矩阵F灰，根据公式(17)进行归一化，得到归一化灰度配准因子矩阵F'灰＝{f'灰(dx,dy)|dx＝0,...,p‑m‑1；dy＝0,...,q‑n‑1}；

其中，f灰max表示灰度配准因子矩阵的最大值，f灰min表示灰度配准因子矩阵的最小值。

6.根据权利要求5所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤5具体包括：

5.1、由配准因子特性可知，某偏差位置的边缘配准因子越大而灰度配准因子越小时，该偏差位置处矢量数据与遥感影像越匹配，遵循这一原则，使用公式(18)创建综合配准因子矩阵F判＝{f判(i,j)|i＝0,...,p‑m‑1；j＝0,...,q‑n‑1}；

5.2、遍历判别值矩阵F判，得到最小值对应的偏差值(i0,j0)，即为矢量数据与遥感影像配准的最优偏差值。

7.根据权利要求6所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤6具体包括：根据公式(19)生成结果矩阵R＝{r(x,y)|x＝0,...,m‑1；y＝0,...,n‑1}；该矩阵对应的图像为矢量数据要素或要素集范围内的遥感影像图像，其余部分为黑色背景；