1.一种高分异源遥感坍塌建筑物检测方法，其特征在于，包括如下步骤：

步骤1，获取待检测区域的光学影像和SAR影像，基于对象的内切圆圆心的光学‑SAR对象集合提取策略，构建统一的光学‑SAR地物对象集合；

步骤2，结合统一的光学‑SAR地物对象集合，基于双回波中坍塌语义知识的定量表示方法，在SAR影像中提取高层双回波坍塌语义特征，得到双回波坍塌语义直方图；

步骤3，基于面积、对角线、转动惯量和标准差这四种属性，采用形态学属性剖面建筑物提取方法分别对光学影像和SAR影像进行底层视觉特征提取，分别得到光学影像视觉直方图和SAR影像视觉直方图；

步骤4，基于步骤2得到的双回波坍塌语义直方图以及步骤3得到的光学影像视觉直方图和SAR影像视觉直方图，采用改进主动学习SVMs进行坍塌建筑物检测，获得坍塌建筑物检测结果。

2.根据权利要求1所述的一种高分异源遥感坍塌建筑物检测方法，其特征在于，所述步骤1的具体过程如下：步骤1.1，影像分割

获取待检测区域的光学影像和SAR影像，采用软件eCognition对光学影像进行分割，得到光学影像对象集合Ropt，采用基于马尔科夫随机场的ICM算法对SAR影像进行分割，得到SAR影像对象集合Rsar；

步骤1.2，粗配准仿射变换方程的建立

Step1，利用公式(1)，计算Ropt的第i个对象与Rsar的第j个对象的矩不变量dij，并遍历所有可能的组合；

其中，φi(n)表示Ropt的第i个对象的第n个矩不变量，ψj(n)表示Rsar的第j个对象的第n个矩不变量；

Step2，为Ropt中的每个对象在Rsar中选择一个与之矩不变量最小的对象，从而构成一个匹配对象对集合Ropt‑SAR，同样，为Rsar中的每个对象在Ropt中选择一个与之矩不变量最小的对象，从而构成另一个匹配对象对集合RSAR‑opt；

Step3，保留Ropt‑SAR和RSAR‑opt中相同的匹配对象对，作为最终的匹配对象对集合Rmatch；

Step4，在Rmatch中计算每个对象的内切圆圆心，则Rmatch中的每对匹配对象对都得到一对匹配的内切圆圆心，将内切圆圆心作为特征点，从而获得建立粗配准仿射变换方程所需要的匹配特征点对集合Pmatch；

Step5，结合Pmatch与公式(2)，建立光学影像与SAR影像间的粗配准仿射变换方程；

其中，(x,y)为光学影像中某像素坐标，(x′,y′)为光学影像中某像素在SAR影像中的对应像素坐标，a0、a1、a2、b0、b1、b2均为粗配准仿射变换方程参数；

步骤1.3，对象内切圆圆心的投影与区域增长

以光学影像为基准，将Ropt中的每个对象的内切圆圆心依据粗配准仿射变换方程投影到SAR影像中，获取SAR影像中的投影点集合，基于投影点进行区域增长，从而将SAR影像划分为与Ropt中每个对象一一对应的连通区域，最终得到统一的光学‑SAR地物对象集合Runi。

3.根据权利要求1所述的一种高分异源遥感坍塌建筑物检测方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，潜在双回波像素PDBP检测

采用Hough变换对SAR影像进行直线检测，获得初始潜在双回波像素集合，在此基础上，对初始潜在双回波像素集合中的任意一个像素e，在像素e的8邻域内寻找同属于初始潜在双回波像素集合中的像素，若满足条件的像素只有1个，则视像素e为端点，否则，e为非端点；当e为端点时，在以e为中心的5乘以5窗口内继续寻找同属于初始潜在双回波像素集合中的像素，将找到的像素的8邻域和e的8邻域重叠部分的像素作为潜在双回波像素；遍历初始潜在双回波像素集合中的所有像素，获得SAR影像中最终潜在双回波像素集合；

步骤2.2，坍塌语义直方图的构建

在SAR影像中，结合统一的光学‑SAR地物对象集合Runi与PDBP的空间位置关系，设计坍塌语义视觉单词并构建双回波坍塌语义直方图，令Runi中对象总数为N，对于任意一个对象定义视觉单词如下：

1)Step1，寻找与 轮廓重叠或相邻的模糊线段 从轮廓上任意一个像素g出发，在g的8邻域内寻找PDBP，若存在一个PDBP，定义为r，则在r的8邻域内寻找PDBP，保留在r的8邻域内新找到的PDBP与r，并根据这些像素计算拟合直线 在此基础上，分别对在r的8邻域内新找到的每个PDBP的8邻域中继续寻找新的PDBP，若存在新的PDBP，则计算新的PDBP到 的距离，当距离小于预设值m时，保留该PDBP；以此类推，遍历所有存在的新的PDBP，所有获得保留的PDBP构成模糊线段Step2，对轮廓上的下一个像素g'，重复Step1，得到g'对应的模糊线段；遍历轮廓上所有的像素，构成候选模糊线段集合S1，保留线段长度大于阈值Ta的所有模糊线段，构成模糊线段集合S2；

Step3，对于集合S2中任意一条线段 的两个端点在 轮廓上的垂足，截取垂足间轮廓线段 同时满足以下两个条件的 构成更新的模糊线段集合S3：(1)计算 与 的平均曲率的差值，平均曲率的差值小于阈值Tb；(2)采用最小二乘法分别对 与 进行直线拟合，计算拟合得到的两条直线的斜率差，斜率差小于阈值Tc；S3即为所构建的第一维视觉单词；

2)在S1中，保留线段长度小于等于阈值Ta的模糊线段，即为所构建的第二维视觉单词；

3)除1)和2)中已被赋予视觉单词的PDBP外，其余位于 轮廓上或轮廓外1个像素内的PDBP即为所构建的第三维视觉单词；

4)在位于 轮廓内部的像素范围内，从任意一个像素u出发，寻找满足条件的候选模糊线段集合inner，其中，除搜索起点与范围不同外，其余步骤与1)中S1搜索步骤完全相同，将inner作为所构建的第四维视觉单词；

5)在位于 轮廓内部的像素范围内，定义未被赋予视觉单词的PDBP为PDBPres，PDBPres与 全部像素数量的比值为 定义SAR影像中的PDBP像素总数与SAR影像全部像素数量的比值为 若满足 则PDBPres为所构建的第五维视觉单词；否则，将PDBPres归为还未被赋予视觉单词的PDBP；

6)在位于 轮廓内部的像素范围内，还未被赋予视觉单词的PDBP即为所构建的第六维视觉单词；

基于以上六维视觉单词，从而获得 的双回波坍塌语义直方图Icsh。

4.根据权利要求3所述的一种高分异源遥感坍塌建筑物检测方法，其特征在于，所述阈值Ta、Tb和Tc采用如下自适应提取策略：令 表示在Ta、Tb和Tc的不同组合条件下对象 所提取的S3中像素的数量，Ta、Tb和Tc的取值区间分别为[0,t]、[0,1]、[0,1]，t为对象 外接矩形对角线长度，当 取得最大值时的Ta、Tb和Tc构成 的最优解，即阈值Ta、Tb和Tc的提取值。

5.根据权利要求3所述的一种高分异源遥感坍塌建筑物检测方法，其特征在于，所述步骤3的具体过程如下：基于形态学属性剖面MAPs中的面积、对角线、转动惯量、标准差四种属性，采用形态学属性剖面建筑物提取方法分别对光学影像和SAR影像进行底层视觉特征提取，获得光学影像和SAR影像分别对应的多尺度集合MAPsopt和MAPssar，在MAPsopt中，计算每一个属性剖面中对象 的灰度均值，得到 对应的光学影像视觉直方图Iosh，同理，得到 对应的SAR影像视觉直方图Issh。

6.根据权利要求1所述的一种高分异源遥感坍塌建筑物检测方法，其特征在于，所述步骤4的具体过程如下：在分类节点，采用主动学习SVMs分类器，将统一的光学‑SAR地物对象集合Runi中的任意一个对象 划分为未坍塌建筑物、坍塌建筑物或其他；

在主动学习SVMs标记样本的过程中，利用待标记样本与已标记样本间的类别不确定性指标CUI对样本进行精炼从而优化主动学习过程，实现坍塌建筑物检测，具体如下：Step1，分别计算待标记样本hk属于已标记正类样本 和已标记负类样本 的可能性：其中， 分别表示待标记样本hk属于已标记正类样本 已标

记负类样本 的可能性， 表示同属于第l类正类样本中的第p个样本，p＝1,2…P，P为第l类正类样本中的样本数量； 表示同属于第l类负类样本中的第q个样本，q＝1,2…Q，Q为第l类负类样本中的样本数量；

Step2，计算待标记样本hk在第l个分类器上的CUI，计算公式如下：

Step3，计算待标记样本hk的类别决策函数值fl(hk)，当满足CUI取最小，且fl(hk)取最大时，对待标记样本hk进行标记，将标记好的样本加入到训练样本中重新训练模型；重复以上步骤，对样本进行精炼，从而获得最终的坍塌建筑物检测结果。