1.一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，其特征在于，包括以下步骤：
步骤1：利用偏移阴影分析法自动提取建筑物初始样本；
步骤2：根据建筑物屋顶形态特征构建自适应建筑物样本精细提取变换组合，提取样本；
步骤3：结合svm分类原理得到建筑物初始提取结果；
步骤4：对初始提取结果进行优化处理，输出建筑物最终提取结果。
2.根据权利要求1所述的基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，其特征在于，步骤1的具体实现包括以下子步骤：
步骤1.1：输入高分辨率可见光遥感影像p，将影像分为{csd,cve,cbl,cb}四大类，依次分别代表分为阴影、植被、裸地、建筑物；
步骤1.2：利用多种阴影光谱特征构建阴影检测条件，并结合一维otsu自动阈值法和带限定条件的自动阈值方案，对影像进行阴影自动检测，提取阴影区域rsd；
步骤1.3：通过归一化绿色分量g'构建检测条件，结合一维otsu阈值获取合适的自动阈值，得到植被区域rve；
步骤1.4：定义影像p中顺光照方向的偏移单位向量为vi_s，逆光照方向的偏移单位向量vi_n，结合偏移阴影分析，提取建筑物阴影区域rsb、裸地区域rbl与建筑物初始样本集sob。
3.根据权利要求2所述的基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：取建筑物初始样本集sob中长度的最大最小值lmax、lmin，以两者的平均值kb＝(lmax+lmin)/2为建筑物类型划分阈值，并以此对建筑物进行类型划分；
步骤2.2：设li表示第i个建筑物初始样本sob_i的长度，与建筑物类型划分阈值k进行比较，若li＜kb，则此类建筑物为非狭长型，转至步骤2.3，构建“工”字型建筑物样本区域；若li≥kb，则此类建筑物为狭长型，转至步骤2.7，构建“二”字型建筑物样本区域；
步骤2.3：对建筑物初始样本集sob进行旋转处理；
对建筑物初始样本进行旋转处理前，将建筑物初始样本sob_i的屏幕坐标(x,y)转换到以最小面积外接矩形中心(x0,y0)为坐标原点的旋转坐标系中，变换后的坐标为(x',y')，用齐次坐标表示则有：
将样本点(x',y')在旋转坐标系中逆时针旋转θ度，旋转变换后的坐标为(x”,y”)：
最后再将样本点(x”,y”)还原变换至计算机屏幕坐标系中坐标为(x1,y1)，则有：
以此获取样本旋转变换矩阵：
(x1,y1,1)＝(x,y,1)r；
其中：
步骤2.4：对建筑物初始样本集sob进行缩放处理；
利用前期所获取的建筑物初始样本sob_i与阴影相接边的长度li，建筑物初始样本sob_i的周长si，完成各建筑物初始样本缩放比例γi的确定：
其中，m代表所获取的建筑物初始样本的总个数，λ为比例系数；
若建筑物初始样本点为(x,y)，缩放后样本点为(x2,y2)，则有：
(x2,y2,1)＝(x,y,1)z
其中缩放变换矩阵：
步骤2.5：对建筑物初始样本集sob进行偏移变换；
在建筑物初始样本sob_i的最小面积外接矩形中，取矩形任一角点p1”，获取以此角点为起点的两个矩形边向量p″1p″2和p″1p″0；选取与光照逆方向单位向量vi_n夹角较小边作为偏移单位向量vp＝(xip,yip)，其中xip、yip分别代表x轴和y轴上的单位向量：
利用偏移方向所对应的外接矩形边长b和比例系数
(x3,y3,1)＝(x,y,1)τ；
其中偏移变换矩阵：
步骤2.6：经过旋转、缩放与偏移变换后得到样本集srzt：
srzt＝sob*r*z*t
缩放、偏移变换后的样本集szt:
szt＝sob*z*t
取srzt、szt与建筑物初始样本集sob的并集，构建“工”字型建筑物样本区域sbg：
sbg＝srzt∪szt∪sob
完成非狭长型建筑物样本选取，即sb＝sbg；
步骤2.7：采用步骤2.4及步骤2.5缩放、偏移变换后得到样本集szt：
szt＝sob*z*t
取szt与建筑物初始样本集sob两者的并集，构建“二”字型样本区域sbe：
sbe＝szt∪sob
完成狭长型建筑物样本选取，即sb＝sbe。
4.根据权利要求2所述的基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，其特征在于，步骤3的具体实现包括以下子步骤：
步骤3.1：为采用随机函数随机选取阴影区域rsd、植被区域rve、裸地区域rbl中的部分像素，得到阴影样本ssd、植被样本sve、裸地样本sbl；
步骤3.2：选用基于径向基核函数和一对一多类方法的svm模型，并提取四类样本区域{ssd,sve,sbl,sb}的r、g、b、i四维光谱特征构建样本特征向量，用于训练svm分类器，实现对影像p其他未识别像素的分类，从中提取建筑物类，获取建筑物的初始结果。
5.根据权利要求2所述的基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，其特征在于，步骤4的具体实现包括以下子步骤：
步骤4.1：对步骤3中的建筑物初始提取结果进行腐蚀、膨胀、开闭运算、阈值确定，去除部分非建筑物像素点的干扰；
步骤4.2：以内轮廓填充法对部分存在“空洞”的建筑物提取结果进行补充；
步骤4.3：最后采用区域增长补充部分被漏检的建筑物区域；
步骤4.4：利用基于形态特征的格网占比法进行建筑物自动验证；
获取每个待检建筑物目标的最小外接矩形，并将其进行格网划分，逐个判断格网单元的建筑物覆盖面积sb占单元格面积s0的比例η＝sb/s0，若η＞0.9即可视作占满，统计满足占满单元的格网数n与格网总数n的比值k＝n/n，依此评判是否为建筑物，占比高于阈值kg的为建筑物，低者可能为非建筑物。
6.一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取系统，其特征在于：包括偏移阴影分析模块、建筑物样本精细提取模块、svm分类器训练与输出模块、后处理优化模块；
所述偏移阴影分析模块，用于利用阴影光谱特征提取阴影区域rsd，通过归一化绿色分量g'提取植被区域rve，然后确定顺、逆光照偏移向量vi_s，vi_n，并结合偏移阴影分析实现裸地区域rbl以及建筑物初始样本sob的提取；
所述建筑物样本精细提取模块，用于提取建筑物初始样本集sob中长度的最大最小值lmax、lmin，以两者的平均值kb为建筑物类型划分阈值，并以此对建筑物进行类型划分，而后根据建筑物类型,合理利用样本旋转、偏移、缩放变换方法，构建自适应样本精细提取变换组合，完整、全面地提取建筑物样本sb；
所述svm分类器训练与输出模块，用于采用随机函数选取阴影区域rsd、植被区域rve、裸地区域rbl中的部分像素，得到阴影样本ssd、植被样本sve、裸地样本sbl，并提取四类样本区域的特征向量，训练svm分类器，实现对影像p其他未识别像素的分类，输出建筑物的初始提取结果；
所述后处理优化模块，用于通过形态学预处理以及区域增长，提高建筑物区域的完整性，然后利用基于形态特征的格网占比法进行建筑物验证，对无规则形态的错分建筑物予以剔除，自动输出建筑物最终提取结果。