1.一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，具体包括如下步骤：S1，针对不同的超像素分割方法和分割数量，计算多个评估指标；评估指标包括：区域一致性、形状规则性、超像素间方差和分割时间；

S2，对步骤S1中的评估指标进行归一化处理，基于主成分分析PCA计算各个评估指标的权重；

S3，构建超像素分割综合评价计算方法，根据综合评分选择最优超像素分割方法及分割数量，并对滑坡图像进行初步超像素分割；

S4，构建改进的超像素区域邻接图RAG描述超像素之间的相似性，并采用归一化切割方法对滑坡图像进行超像素合并和分割；

S5，对经过步骤S4处理的滑坡图像进行去噪；

步骤S4中在构建区域邻接图时，引入亮度差异抑制因子，动态调整超像素间的相似度权重，相似度权重 的计算公式为：；

其中， 、 为超像素 和 的颜色均值； 、 为超像素 和 的亮度均值； 、 分别为颜色和亮度的标准差调节参数， 为指数函数。

2.根据权利要求1所述的一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，步骤S1具体包括如下步骤：S1.1，计算区域一致性 ：

；

其中， 表示超像素数量， 为颜色方差， 为 LAB 颜色空间中的三个通道，为通道，为超像素；

S1.2，计算形状规则性 ：

；

其中， 为超像素的周长， 为超像素的面积；

S1.3，计算超像素间方差 ：

；

其中， 为第 个超像素的平均颜色， 为超像素 和 之间的颜色距离；

S1.4，计算不同的超像素分割方法的计算时间。

3.根据权利要求1所述的一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，步骤S2中基于主成分分析PCA计算各个评估指标的权重具体包括如下步骤：S2.1，提取归一化后的评估指标矩阵；

S2.2，对评估指标进行主成分分析，获取每个主成分的方差解释率；

S2.3，计算各评估指标在不同主成分上的载荷系数，即主成分矩阵；

S2.4，根据载荷系数和方差解释率，计算每个评估指标的总贡献度，将总贡献度标准化为权重：；

其中， 为第 个评估指标的最终权重； 为第 个主成分的特征值； 为第 个评估指标在第 个主成分上的载荷系数；为保留的主成分数量； 为总指标数。

4.根据权利要求1所述的一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，步骤S3中综合评分 的计算公式为：；

其中， 、 、 、 分别为区域一致性、形状规则性、超像素间方差和分割时间的权重，为执行时间的归一化值。

5.根据权利要求1所述的一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，步骤S4中归一化切割的优化目标 的公式为：；

其中， 和 为分割的两个子图， 为子图间的割边权重， 为子图与图 中所有节点的连接权重之和。

6.根据权利要求1所述的一种基于自适应超像素分割融合的短时序滑坡图像识别方法，其特征在于，步骤S5具体为对灰度图像进行二值化处理，然后去除其中的小面积区域，仅保留最显著的区域，公式表示为：；

其中， 为输入灰度图像；为Otsu方法计算的最佳阈值； 为二值图像中像素 所属的连通区域； 为面积， 为连通区域 的面积； 为比例系数，为取最大值函数， 为二值函数。