1.一种联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，包括：S1：根据同一地理区域不同时间拍摄的第一时相遥感图像和第二时相遥感图像，利用L2,1‑DNMF模型，生成差分增强的差异特征矩阵；

S2：对所述差分增强的差异特征矩阵进行聚类，得到二值变化结果；

S3：将所述二值变化结果作为联合稀疏约束的双非负矩阵分解遥感图像变化检测结果输出；

所述S1包括：

S11：分别将所述第一时相遥感图像和所述第二时相遥感图像展开为第一时相观测矩阵和第二时相观测矩阵；

S12：根据第一时相观测矩阵和第二时相观测矩阵，生成L2,1‑DNMF模型的目标函数和约束条件；

S13：利用所述L2,1‑DNMF模型的目标函数和约束条件将所述第一时相观测矩阵和所述第二时相观测矩阵分解为共享基矩阵、第一多特征权重矩阵和第二多特征权重矩阵，并根据所述第一多特征权重矩阵和所述第二多特征权重矩阵得到原始差分增强的差异特征矩阵；

S14：根据所述目标函数和所述约束条件，利用增广拉格朗日乘子方法求解所述目标函数和所述约束条件，得到共享基矩阵、第一多特征权重矩阵、第二多特征权重矩阵和原始差分增强的差异特征矩阵的更新规则；

S15：利用NNDSVD方法初始化变量，得到初始的共享基矩阵、初始的第一多特征权重矩阵、初始的第二多特征权重矩阵和初始的差分增强的差异特征矩阵；

S16：利用所述共享基矩阵的更新规则、所述第一多特征权重矩阵的更新规则、所述第二多特征权重矩阵的更新规则和所述差分增强的差异特征矩阵的更新规则分别对当前共享基矩阵、当前第一多特征权重矩阵、当前第二多特征权重矩阵和当前差分增强的差异特征矩阵进行更新，得到新的共享基矩阵、新的第一多特征权重矩阵、新的第二多特征权重矩阵和新的差分增强的差异特征矩阵；

S17：将所述新的共享基矩阵、新的第一多特征权重矩阵、新的第二多特征权重矩阵和新的差分增强的差异特征矩阵作为当前共享基矩阵、当前第一多特征权重矩阵、当前第二多特征权重矩阵和当前差分增强的差异特征矩阵并返回S16进行迭代更新直至满足截止条件，得到差分增强的差异特征矩阵；

所述步骤S11中，所述第一时相观测矩阵和/或所述第二时相观测矩阵为二维矩阵，所述二维矩阵的二维分别为波段个数和图像的像素点数；

所述S12中，所述L2,1‑DNMF模型的目标函数为：约束条件为：

其中，X为第一时相观测矩阵且 Y为第二时相观测矩阵且N＝I×J表示图像的像素点的个数；I、J和L分别对应图像的行数、列数和波段个数；A为X和Y的共享基矩阵且 H1为第一多特征权重矩阵；H2为第二多特征权重矩阵， C为差分增强的差异特征矩阵；‖·‖F为T

Frobenius范数，‖·‖2,1为L2,1‑范数；λ是正则化参数；(·)表示矩阵的转置；1R表示维度为R的全为1的列向量，1N表示维度为N的全为1的列向量；

所述S15包括：

S151：将所述第一时相遥感图像和所述第二时相遥感图像横向拼接，得到拼接后的三维图像；

S152：将所述拼接后的三维图像展开为二维矩阵；

S153：对所述二维矩阵进行奇异值分解，得到矩阵的左奇异值矩阵、奇异值矩阵和右奇异值矩阵；

S154：取目标数量个最大的奇异值和对应的左奇异值矩阵和右奇异值矩阵；

S155：根据奇异值的平方根与所述对应的左奇异值矩阵中的对应列的乘积确定初始的共享基矩阵，以及根据奇异值的平方根与所述对应的右奇异值矩阵中的对应列的乘积确定所述初始的第一多特征权重矩阵和所述初始的第二多特征权重矩阵；

S156：对所述初始的第一多特征权重矩阵和所述初始的第二多特征权重矩阵作差，得到初始的差分增强的差异特征矩阵。

2.根据权利要求1所述的联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，所述S14包括：S141：根据所述目标函数和所述约束条件，生成L2,1‑DNMF模型的增广拉格朗日函数；

S142：固定所述L2,1‑DNMF模型的增广拉格朗日函数中的其他变量对剩余单一变量求解，得到共享基矩阵的更新规则、第一多特征权重矩阵的更新规则、第二多特征权重矩阵的更新规则和差分增强的差异特征矩阵的更新规则。

3.根据权利要求2所述的联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，所述L2,1‑DNMF模型的增广拉格朗日函数为：其中，L表示增广拉格朗日函数，A表示共享基矩阵，H1表示第一多特征权重矩阵，H2表示第二多特征权重矩阵，M1，M2，M3和M4是拉格朗日乘子；μ为罚参数且μ≥0；X为第一时相观测矩阵且 Y为第二时相观测矩阵且 N＝I×J表示图像的像素点的个数；I、J和L分别对应图像的行数、列数和波段个数；C为差分增强的差异特征矩阵；‖·‖F为Frobenius范数，‖·‖2,1为L2,1‑范数；λ是正则化参数；tr(·)表示矩阵的迹。

4.根据权利要求2或3所述的联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，所述共享基矩阵的更新规则包括：i+1 i

其中，A 表示第i+1次迭代的共享基矩阵，A表示第i次迭代的共享基矩阵，*表示乘法符号，X为第一时相观测矩阵且 Y为第二时相观测矩阵且N＝I×J表示图像的像素点的个数；I、J和L分别对应图像的行数、列数和波段个数；H1表示第一多特征权重矩阵，H2表示第二多特征权重矩阵；

所述第一多特征权重矩阵H1的更新规则包括：

其中， 表示第i+1次迭代的第一多特征权重矩阵， 表示第i次迭代的第一多特征权重矩阵， 表示第一时相观测矩阵X的增广矩阵且 表示共享基矩阵A的增广矩阵且 C为差分增强的差异特征矩阵；μ为罚参数，H2表示第二多特征权重矩阵，δ是用于控制归一化约束影响的参数；1R表示维度为R的全为1的列向量，1N表示维度为N的全为1的列向量；

第二多特征权重矩阵H2的更新规则包括：

其中，表示第二观测矩阵的增广矩阵且

5.根据权利要求2或3所述的联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，所述S142还包括：利用所述L2,1‑DNMF模型的增广拉格朗日函数求解所述目标函数和所述约束条件，得到差分增强的差异特征矩阵的更新规则、拉格朗日乘子的更新规则以及罚参数的更新规则；

所述差分增强的差异特征矩阵的更新规则包括：

i+1

其中，C 表示第i+1次迭代的差分增强的差异特征矩阵，Ω表示收缩运算符，λ是正则化参数；μ为罚参数；H1表示第一多特征权重矩阵，H2表示第二多特征权重矩阵；M4表示拉格朗日乘子；

拉格朗日乘子M4的更新规则为：

M4＝M4+μ(C‑H1+H2)

罚参数μ的更新规则为：

μ＝min(ρμ，maxμ)

其中，ρ为用于参数更新的学习率。

6.根据权利要求1所述的联合稀疏约束的双非负矩阵分解遥感图像变化检测方法，其特征在于，所述步骤S2中，利用多层k‑means聚类方法对所述差分增强的差异特征矩阵进行聚类；

所述多层k‑means聚类算法包括以下分步骤：

S21：选择3个像素点作为变化类、不变化类和不确定类的初始聚类中心；

S22：计算像素点与每个所述初始聚类中心的欧几里得距离，并将所述像素点分配给距离最近的所述聚类中心；

S23：重复步骤S22直至分配完所有像素点；

S24：更新一个所述聚类中心的位置，将所述聚类中心移动到属于该簇的数据均值的位置；

S25：重复步骤S24直至更新完所有所述聚类中心的位置；

S26：重复步骤S22‑S25，直到所述聚类中心的位置不再发生变化或达到预定的迭代次数，S27：将所述不确定类中的像素重复进行步骤S21‑S26，直到不确定类不可再分，以得到二值变化结果。