1.一种智能遥感测绘方法，其特征在于，包括：

采集遥感图像，并利用k‑means聚类算法将遥感图像分成多个聚类块；

根据聚类块中红色通道的像素均值是否大于预设第一阈值，将所有聚类块分为裸地聚类块以及非裸地聚类块；

根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，并根据非裸地聚类块的第一特征参数值是否在预设第一范围内，将非裸地聚类块分为林地聚类块以及非林地聚类块；

根据非林地聚类块中红色通道的像素均值是否大于预设第二阈值，将各非林地聚类块分为疑似建筑聚类块以及背景聚类块，且所述第二阈值小于所述第一阈值；

根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，并根据疑似建筑聚类块的第二特征参数值是否在预设第二范围内，将疑似建筑聚类块分为建筑聚类块以及背景聚类块；

利用获取的各类型的聚类块对遥感图像进行分割，得到分割后的分割图像；

其中，根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，包括：式中， 为第 个非裸地聚类块的第一特征参数值， 为第 个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值；

为第 个非裸地聚类块中包含的像素点在绿色通道中的像素值的均值， 为第 个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值，为预设正整数；

其中，根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，包括：式中， 为第 个疑似建筑聚类块的第二特征参数值， 为第 个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值；

为第 个疑似建筑聚类块中包含的像素点在绿色通道中的像素值的均值， 为第个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值。

2.根据权利要求1所述的智能遥感测绘方法，其特征在于，利用k‑means聚类算法将遥感图像分成多个聚类块，包括：拟合遥感图像所对应的高斯混合模型，并将高斯混合模型中的子高斯模型的数量作为k‑means聚类算法中聚类中心点的数量；

计算遥感图像中每任意两像素点之间的距离，并计算所有距离的均值，以将该均值作为k‑means聚类算法中的聚类半径；

按照聚类半径以及聚类中心点的数量，利用k‑means聚类算法将遥感图像分成多个聚类块。

3.根据权利要求1所述的智能遥感测绘方法，其特征在于，所述方法还包括：将多张遥感图像作为输入集；

将输入集中遥感图像对应的每一类型的分割图像作为检验集；

利用训练集及检验集对神经网络进行训练；

将待分割的遥感图像输入至训练完成的神经网络中，以利用神经网络分别输出每一类型的分割图像。

4.根据权利要求3所述的智能遥感测绘方法，其特征在于，利用训练集及检验集对神经网络进行训练前，所述方法还包括：利用多个卷积核分别对训练集中的每一遥感图像进行卷积，获得每一遥感图像分别被多个卷积核进行卷积后的各特征图像；

将各特征图像中同一位置的像素值组成的向量作为该同一位置的描述向量，并分别获得特征图像中每一位置的描述向量；

将特征图像中所有位置的描述向量进行叠加，将叠加后的向量作为相对于所有特征图像的整体描述向量；

分别计算每一位置的描述向量与整体描述向量的余弦相似度，并根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，以将更新后的各特征图像进行图像融合的图像作为遥感图像在神经网络中的特征图像。

5.根据权利要求4所述的智能遥感测绘方法，其特征在于，根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，包括：将每一特征图像中每一像素点所对应的归一化后的余弦相似度，与其像素点的像素值相乘，并将乘积结果作为更新后的特征图像中的像素值。

6.一种智能遥感测绘系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1‑5中任一项所述的智能遥感测绘方法。