1.一种高分遥感影像建筑物变化的检测方法，其特征在于，包括步骤如下：S1，获取某一地区在不同时相下的异源高分遥感影像数据集,并对异源高分遥感影像数据集进行配准、融合及分割，得到统一的对象集合；

S2，在已获取分割结果的基础上，构建证据集合；所述证据集合包括非建筑物指数NBI、两时相影像的建筑物指数MBI以及两时相影像间的差分信息；

S3，基于对象在不同时相影像中的阴影特征，提取证据置信度指标；

S4，采用D‑S证据理论进行决策融合，输出面向对象的细粒度建筑物变化检测结果；

所述步骤S2中，构建的证据集合包括：前/后时相的非建筑物指数，前/后时相的建筑物指数以及多时相差分特征；具体实现步骤如下：S21，提取前/后时相的非建筑物指数NBI对于分割结果中的任一对象Ti，定义非建筑物指数NBI：其中，NDVI为归一化差异植被指数，NDWI为归一化差值水体指数，Pr为Ti的矩形度；Pwl为长宽比,Pwlm为遍历所有对象后所得到的长宽比最大值；S为面积指标，令2

其中，si为Ti的面积：si＝r×ni，r代表该幅遥感影像的分辨率，ni代表第i个对象内像素点的总数；sa定义为建筑物面积标准值；

根据NBI值的大小，提取前/后时相的非建筑物指数NBI分别为N1i和N2i；

S22，提取前/后时相的建筑物指数MBI

所述前/后时相的建筑物指数MBI的提取步骤如下：S221，计算亮度值：

其中，bandk(x)为第k光谱波段在像素x处的亮度值，W为可见光光谱最大波段数，并将可见光波段每个像素的最大值作为该像素的亮度值；

S222，形态学白帽重构：

其中， 为对亮度图像b的形态学开运算；d和v分别代表线性结构元素的方向和尺度；

S223，计算微分形态学剖面DMP：

DMPWTH(d,v)＝|WTH(d,(v+Δv))‑WTH(d,v)|S224，计算建筑物指数MBI：

其中，V＝(vmax‑vmin)/Δv+1，D为计算建筑物剖面时的方向数；vmax，vmin分别为线性结构元素的尺度最大值、最小值，Δv为其尺度变化步长；

对建筑物指数MBI结果进行孔洞填补，提取前/后时相建筑物指数MBI分别为λ1i和λ2i；

S23，获得证据集合

定义差分特征：

其中，z为对象Ti中的像素点总数，σ1k、σ2k为对象Ti中第k个像素点分别在两时相中的对应像素值，σmax为第k个像素点在两幅影像中像素值的最大值；

此时，结合两时相NBI指数、两时相MBI指数和两时相差分特征，获得最终的证据集合Ri＝{N1i,N2i,λ1i,λ2i,Ci}。

2.根据权利要求1所述的高分遥感影像建筑物变化的检测方法，其特征在于，所述步骤S3中，基于证据集合Ri，采用D‑S证据理论，将阴影作为变化检测的中“伪变化”，提取证据置信度指标的具体步骤如下：S31，采用阴影检测方法进行阴影检测；

S32，将彩色的RGB图像转换为HSV图像，通过类间方差g值确定二值化阈值M：

2 2

g＝ω0(μ0‑μ) +ω1(μ1‑μ)

其中，ω0为灰度值小于M的前景像素点数占整幅图像的比例，μ0为其平均灰度；ω1为灰度值大于M的背景像素点数占整幅图像的比例，μ1为其平均灰度；μ为图像的总平均灰度；

当完成遍历后，g＝gmax时，分割阈值M为最佳二值分割阈值；再对图像进行形态学开闭运算以修补空洞及滤除孤立点，获得阴影检测结果；

此时，计算得出对象Ti在双时相影像中的阴影区域占比分别为p、q，从而获得Ti的证据置信度Ii：Ii＝(1‑p)×(1‑q)。

3.根据权利要求1所述的高分遥感影像建筑物变化的检测方法，其特征在于，所述步骤S4中，输出建筑物变化检测结果的具体实现步骤如下：S41，定义识别框架F＝[N,D,R,U,O]，将对象划分为新建类N、拆除类D、改建类R、未变化类U和其它类O，则焦元包括[N]、[D]、[R]、[U]、[O]、[N,D,R,U,O]；

S42，根据步骤S2所提取的证据集合，共构建5个mass函数m1、m2、m3、m4、m5；

若设新建类N为焦元， F上的5个mass函数的Dempster合成规则为：其中，归一化系数 Nk为在第k个mass函数中判决为焦元N；

S43，对任意对象Ti建立概率赋值函数BPAF，设定前一时相的NBI指数N1的mass函数m1，则概率赋值函数BPAF的表达式如下：m1i({N})＝0.5×N1i×Ii

m1i({D})＝0.35×(1‑N1i)×Iim1i({R})＝0.3×(1‑N1i)×Iim1i({U})＝0.35×(1‑N1i)×Iim1i({O})＝0.5×N1i×Ii

m1i({N,D,R,U,O})＝1‑Ii其中，Ii为步骤S31所提取的证据置信度；Ri＝{N1i,N2i,λ1i,λ2i,Ci}为每个尺度证据所提供的指数全集，在其余mass函数中Ri取集合中的其余证据对应项；N1i为对象Ti在前一时相中由NBI指数得到其为非建筑物的概率，N2i为对象Ti在后一时相中由NBI指数得到其为非建筑物的概率；λ1i为对象Ti在前一时相中由MBI得到其为建筑物的概率，λ2i为其在后一时相中由MBI得到其为建筑物的概率；Ci用于描述对象Ti在前后两时相的变化程度；

S44，根据概率赋值函数值，确定对象Ti的所属类别。

4.根据权利要求3所述的高分遥感影像建筑物变化的检测方法，其特征在于，确定对象Ti的所属类别的判断如下：P1，属于N类的Ti满足：

mi([N])>0.25，或mi([N])>0.15∧mi([R])>0.1；

P2，属于D类的Ti满足：

mi([D])>0.25，或mi([D])>0.15∧mi([R])>0.1；

P3，属于R类的Ti满足：

mi([R])>0.25，

或{mi([N])>0.1∨mi([D])>0.1}∧mi([R])>0.1∧mi([O])<0.3；

P4，属于U类的Ti满足：

mi([U])>0.3，且mi([O])<0.3；

P5，否则，Ti属于O类；

其中，“∧”代表逻辑“与”，“∨”代表逻辑“或”；

根据上述判决规则，输出细粒度建筑物变化检测结果，最终将影像中的所有对象划分为新建类、拆除类、改建类、未变类以及非建筑物类。