1.一种基于神经网络的多模态遥感影像旋转差异校正方法，其特征在于，所述校正方法包括以下步骤：S1：获取一组具有相同目标场景的多模态遥感影像对，进行影像预处理；S2：针对每幅预处理后的影像，计算相位一致性特征值与方向角，并根据相位一致性特征值与方向角计算影像的旋转特征向量；构建并训练神经网络，所述神经网络包括两个输入分支，计算的两幅影像的旋转特征向量分别作为所述神经网络两个分支的输入；所述每幅影像的旋转特征向量的计算包括以下步骤：S21对单幅影像，将每个像素点的相位一致性特征值的集合构成该影像的相位一致性特征图，每个像素点的相位一致性方向角的集合构成该影像的方向图；S22在相位一致性特征图上，对影像的每个像素点的相位一致性特征值PC(x,y)与方向角 影像的初始化旋转特征向量为Rot＝(r 0 ,r 1 ,……,r j ,……,r 359 )，令 其中符号 表示向下取整，当n+1＝360时，令r n+1 ＝r 0 ，则有如下计算式：S23依次遍历影像的所有像素点，将初始化旋转特征向量Rot中每一个元素r j 进行归一化处理后即为该影像的旋转特征向量Rot n ，归一化计算式如下：n j ＝(r j -r m )/(r M -r m )式中r M 、r m 分别表示初始化旋转特征向量Rot中元素最大值与最小值，n j 表示r j 归一化处理后对应的旋转特征向量Rot n 中元素；S3：分别将两幅影像的旋转特征向量作为神经网络的输入，计算输出两幅影像的预测差异角；具体包括以下步骤：S31：将两幅影像的旋转特征向量作为神经网络的输入，经过神经网络输出1×1×180维特征向量，记为：Aout＝(a 0 ,a 1 ,……,a i ,……,a 179 )S32：将向量Aout视为向量环，即a 0 的前一位元素为a 179 ，取Aout中元素的最大值，记为a m ，其位于向量中的位置为m，计算a m 前89位元素的和为S m1 ，后89位元素的和为S m2 ，设网络训练误差为error，则预测差异角为：Ang＝(m+(S m1 -S m2 )×error/2(S m1 +S m2 ))S4：基于预测差异角，完成多模态遥感影像旋转差异角的校正。
2.根据权利要求1所述的基于神经网络的多模态遥感影像旋转差异校正方法，其特征在于：所述神经网络两个输入分支结构相同，包括五个输出维度依次递减的全连接层与一个Dropout层，所述两个输入分支通过欧氏距离相连接为一个主干。
3.根据权利要求2的基于神经网络的多模态遥感影像旋转差异校正方法，其特征在于：所述两个输入分支连接成的主干依次接入两个全连接层与一个Log-softmax层输出层。
4.根据权利要求1所述的基于神经网络的多模态遥感影像旋转差异校正方法，其特征在于：所述S1中影像预处理包括以下过程，判断两幅影像是否为全色黑白影像，如果是则调整两幅影像的分辨率，使两幅影像的分辨率大小相同；如果不是则先通过加权将影像转换成为全色黑白影像再进行分辨率的调整。
5.根据权利要求1所述的基于神经网络的多模态遥感影像旋转差异校正方法，其特征在于：所述步骤S2中的相位一致性特征值与方向角，具体计算过程包括，对影像每个像素点(x,y)，其在log-Gabor滤波器所有不同尺度s、不同方向o下的相位一致性测度PC(x,y)的计算公式为：式中w o (x,y)为基于频响范围的权值函数，T为噪声阈值，ξ为常量，运算符 表示当且仅当表达式为正时取本身，否则取0，振幅分量A so (x,y)为振幅分量、相位偏差函数ΔΦ so (x,y)表示相位偏差；构建中间变量a、b如下式所示：其中O so (θ)响应分量O so (x,y)在log-Gabor滤波器方向θ下的值，则相位一致性方向角 为 。
