1.基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，具体步骤如下，其特征在于：

步骤(1)、根据实际应用的主题，构建用于遥感影像主题敏感区域提取的“复合训练样本数据集”，并选择合适的深度学习模型，并基于构建的复合训练样本数据集对该模型进行训练；

步骤(2)、使用该训练好的深度学习模型对遥感影像进行预测，得到灰度化的预测结果，进一步对该预测结果的每一个像素进行二值化，得到的二值图即为该遥感影像的加权掩膜；

步骤(3)、提取该遥感影像的SIFT特征点，并基于加权掩膜对提取的特征点进行过滤；

步骤(4)、根据“距离就近边缘的距离”对过滤后的特征点进行排序，得到该遥感影像的主题敏感特征点，并记录主题敏感特征点的数量；

步骤(5)、根据主题敏感特征点构建特征矩阵，对该矩阵进行PCA分解，得到特征矩阵的主成分，再通过Hash函数对主成分进行压缩，最后串联主题敏感特征点的数量得到遥感影像的主题敏感哈希序列；

步骤(6)、遥感影像的完整性认证过程，分两步：首先对比待认证遥感影像和原始遥感影像的主题敏感特征点的数量，然后对比主成分的哈希值。

2.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(1)构建用于面向敏感区域提取的“复合训练样本数据集”，具体为：(a)、制作面向特定主题的训练样本数据集：对每幅用于训练的遥感影像，将遥感影像中的特定目标进行标注；将遥感影像及其掩模的大小归一化为神经网络的输入大小；重复上述步骤，标注一定数量的遥感影像，得到的数据集记为TS1；TS1中包含N1对训练样本，即：card(TS1)＝N1

(b)、另选择部分遥感影像，使用Canny算子提取边缘特征，得到遥感影像的边缘图像；

对于边缘图像，手动删除“与地物边缘”无关的“伪边缘特征”，包括雾气和光线造成的边缘；

将去除“伪边缘特征”的边缘特征图像作为相应遥感影像的掩模，并将遥感影像及其掩模的大小归一化为神经网络的输入大小；重复上述步骤，得到的数据集记为TS2；TS2中包含N2对训练样本，即：

card(TS2)＝N2

(c)、TS1与TS2合并起来，构成复合训练样本数据集，记为TS。即：TS＝TS1∪TS2

(d)、为保障鲁棒性，设置阈值Tr，TS1与TS2中训练样本的数量比应大于Tr，即：card(TS1)：card(TS2)>Tr:1。

3.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(2)得到该遥感影像的加权掩膜，具体为：(a)、待生成感知哈希序列的遥感影像，记为I1，使用训练好的深度神经网络模型对I1进行预测，得到初步分割结果，记为I2；

(b)、设定阈值Tp，例如T＝35；

(c)、对于I2中的每个像素，如果灰度值大于Tp，则该像素重置为255，否则重置为0；

(d)、I2中的每个像素都重置之后，得到该遥感影像的加权掩膜，记为I3。

4.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(3)基于加权掩膜对特征点进行过滤，具体为：(a)、提取遥感影像I1的SIFT特征点，得到特征点向量，记为P；P中的每个特征点记为Pi，其中，Pi在图像I1中的横纵坐标记为(x,y)；

(b)、对于P中每个SIFT特征点Pi，如果加权掩膜图像I3中其相同位置的像素的值为0，即如果I3(x,y)＝0，则将Pi从中P删除；

(c)、重复(b)操作，直到P中每个特征点Pi对应的像素I3(x,y)的值均不为0。

5.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(4)基于“距离就近边缘的距离”对过滤后的特征点进行排序，得到遥感影像的主题敏感特征点，具体为：

(a)、通过Canny算子提取加权掩膜I3的边缘图像，记为I4；

(b)、对于P中每个特征点Pi，计算其“最短边缘距离”：Pi到I4中任意边缘点的最短距离；

(c)、所有Pi的最短边缘距离构成向量D，D的每个元素Di即为相应特征点Pi的最短边缘距离；

(d)、根据最短边缘距离对Pi进行降序排序。

6.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(5)根据主题敏感特征点构建特征矩阵，具体如下：(a)、设定正整数z，用于记录有效特征点的个数；初始状态下，z＝0；

(b)如果P中的特征点多于128，则保留前128个特征点，删除其余的特征点，并设定z＝

128；

(c)、如果P中的特征点少于128，将z设置为实际特征点的个数；同时，在P中添加“虚拟特征点”，每个虚拟特征点的描述符为0；

(e)、用7位二进制表示z；

(f)、构建128×128的特征矩阵，其中，P中每个特征点Pi的128维的描述符构成矩阵的一行，得到的特征矩阵记为M。

7.根据权利要求1所述基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于，步骤(5)，对特征矩阵M进行PCA分解，并通过Hash函数对量化之后的矩阵主成分进行归一化，得到遥感影像的主题敏感哈希序列，具体如下：(a)、对特征矩阵M进行PCA分解，分解之后的矩阵记为M’；

(b)、设置参数n(n大于等于1，且小于等于64；建议n＝2)、参数k(k大于等于2，且小于等于16；建议k＝2)；

(c)、取M’的前n列作为主成分；

(d)、量化主成分：对主成分的每个元素，用二进制表示，并取其整数部分前k位；如果元素的整数部分不足k位，则用0补齐；

(e)、将量化后的主成分的每个元素进行串联，并通过密码学Hash函数对提取的奇异值进行归一化，得到的字符串记为str1；

(f)、将z与str1进行串联，得到的结果就是该遥感影像的主题敏感哈希序列，记为hashStro。

8.根据权利要求1所述的基于特征点过滤与排序的遥感影像主题敏感哈希认证方法，其特征在于：步骤(6)遥感影像的完整性认证过程，分两步进行，具体如下：(a)、待认证的遥感影像，记为It，采用步骤(2)～步骤(7)的方法生成其主题敏感哈希序列，记为hashStrt；

(b)、对比hashStrt与hashStro的前7位，如果不相等，则说明待认证影像与原始影像的主题敏感特征点的数量不同，也就说明待认证遥感影像It遭到了篡改，认证过程到此结束；

否则，继续下一步操作；

(c)、对比hashStrt与hashStro的剩下部分，如果不相等，则说明待认证遥感影像It遭到了篡改；如果相等，说明待认证遥感影像It的内容没有发生变化。