1.基于FCN‑8s和改进Canny边缘检测的遥感图像信息提取方法，包括如下步骤：步骤一，构建FCN‑8s网络；

一)改进卷积层；

为了在输入任意尺寸的彩色遥感图像时，得到图像中目标物体所属的像素范围，将传统CNN网络的全连接层换成卷积层，进行卷积运算；

设输入图片为M×N，卷积核为n×n，偏置为b1，卷积后的特征图为矩阵F，激活函数为S(t)，得：式中，Fij为矩阵F中元素；Mij和Cij是卷积过程中输入层与卷积核相对应的元素；

同时，为了避免网络收敛速度慢、梯度消失问题，采用LeaKy ReLU单元函数即h(x)激活函数来代替S型激活函数Sigmoid函数以提高网络泛化性能，有：二)改进池化层；

在卷积层运算后，为避免网络参数过多造成过拟合，利用中间值池化法，完成对卷积特征的采样，即有：其中，池化域大小为c×c；偏置为b2；c为每次的移动步长；E为池化后的特征图；

三)构造上采样层；

为保证输出和输入图像具有相同尺寸，在池化操作后，对网络进行上采样运算，以实现图像尺寸的扩充，有：式中，Y为经过上采样生成的与原图像尺寸相同的图像；k为特征图矩阵F的个数；f为卷积核函数； 代表卷积核运算；

在经过全卷积和上采样过程后，得到和原图大小一致的包含各种地物轮廓的像素区域图，但是这个结果往往很粗糙，会损失很多细节，故对网络增加跳跃结构将有更丰富的全局信息的最后一层的预测和有更多的局部细节的更浅层的预测结合起来，使得网络在遵守全局预测的同时进行局部预测，以优化最终结果，即FCN‑32s是在直接分类完成之后进行的上采样，则在pool3的结果加上两倍上采样pool4与四倍上采样conv7即可得到FCN‑8s网络；

步骤二，利用训练好的FCN‑8s网络识别遥感图像上地物的类别，并通过反卷积得到精细的对应类别所在的像素区域；

步骤三，对彩色地物像素区域图进行灰度化；

利用加权平均值法对彩色地物像素区域图进行灰度化处理；由于人眼对RGB三颜色的感应强弱各不相同，所以对图像的RGB三颜色进行加权平均处理，即有：Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j)                  (5)步骤四，利用改进Canny边缘检测获取目标地物的边缘轮廓图；

利用改进Canny边缘检测获取地物像素区域图上的目标地物边缘轮廓图，具体流程如下：(一)对图像进行双边滤波；

采用的双边滤波是通过空间距离信息和色彩信息对相邻像素集内像素进行加权平均来计算某一个像素点的新灰度值，从而降低非结构相似像素对目标像素的影响，即有：其中，

式中， 是双边滤波后的目标像素值； 是任意像素q的权重；p是目标像素的位置；q是任意像素的位置；Ip和Iq分别表示p和q的像素值；σs和σr分别表示滤波半径和滤波模糊2

度；S是(2σs+1) 的相邻像素集大小； 是空间距离函数； 是像素值距离函数，均使用高斯递减函数来定义，即：

由此，空间距离||p‑q||很小且像素值距离即颜色距离||Ip‑Iq||很小时，双边滤波后的像素值受影响非常大，反之，空间距离很大的非结构相似像素输出值受影响极小；

(二)计算平滑后图像中各点的梯度值和梯度方向；

为了计算图像某像素的梯度信息，采用卷积算子 分别与滤波后的图像f(x,y)进行卷积计算，可得到图像x方向和y方向的一阶偏导数矩阵为：然后利用二范数计算图像上点(i,j)处的梯度幅值M(i,j)和梯度方向θ(i,j)：(三)对图像梯度幅值进行改进的非极大值抑制处理；

图像梯度幅值矩阵中的元素值越大，说明图像中点(i,j)的梯度值越大，但这不能说明点(i,j)就是图像的边缘；为了更好地确定图像边缘，同时考虑中心像素点自身的梯度大小，利用改进的非极大值抑制来寻找像素点局部最大值，将非极大值点所对应的灰度值设置为0，如此剔除大部分非边缘的点，其流程如下：首先，将中心像素点的梯度值M(i,j)与点(i,j)的梯度方向θ(i,j)上相邻两个像素点的梯度值做比较，若其为三者中的最大值，则将点(i,j)保留进入下一步，否则将点(i,j)视为非边缘点删除；

然后，设TA为梯度幅值矩阵中的最大元素，判断上一步骤得到的M(i,j)是否大于TA，若成立，则将其视为准候选边缘点进入下一步骤，否则将点(i,j)视为非边缘点删除；

(四)增强图像线性边缘；

为了增强步骤(三)得到的图像的线性边缘，通过分析强边缘与噪声的差异以增强图像中的强边缘，即利用边缘接近线性的程度达到此目的，同时提高由于外因素影响的弱边缘灰度值，其实现流程如下：首先在经上述步骤处理后的图像中选定一个半径为R的圆形邻域，计算边缘上的边缘点X到圆心O与圆域范围内边缘线质心m所在直线的投影距离D，然后将0≤|D|≤0.5的点视为中间点C，|D|≥1的点视为周围点Hi，i＝1,2，接着通过中间点数和周围点数的差值l＝C‑H1‑H2计算边缘线的线性程度，将边缘点的灰度值分为备选前景和备选背景，即当l＞0时，该边缘点的灰度值为备选前景，当l≤0时，该边缘点的灰度值为备选背景，从而增强图像的边缘灰度值；

(五)利用自适应阈值算法获取最佳阈值，确定最终边缘；

利用最小类内均方差准则自适应确定最佳阈值，然后利用最佳阈值获取高阈值max Val和低阈值min Val，接着根据当前边缘像素的梯度值与双阈值的关系，判断边缘的属性，确定最终的边缘，具体流程为：(1)利用最小类内均方差准则自适应确定最佳阈值；

设在图像F中，灰度级为L+1，灰度值为i的像素点数为ni，i的取值范围为[0,L]，则总像素点数为：各灰度值出现的概率为：

以灰度值K为界点，将灰度值在[0,K]的像素归为A区域，将灰度值在(K,L]的像素归为B区域，则区域A和区域B的概率分别为：区域A和区域B的平均灰度分别为：

整幅图像的平均灰度υ为：

区域A和区域B的类内均方差为：

已知K∈[0,L]，通过改变K值，并利用式(22)计算类内均方差，使得类内均方差σ达到最小值的K值即为最佳阈值；然后设高阈值max Val等于最佳阈值，再利用maxVal＝λ×minVal，λ∈(2,3)，得到低阈值min Val；

(2)判断当前边缘的属性；

利用以下规则判断当前边缘的属性，即：

①如果当前边缘像素的梯度值大于或者等于max Val，则将当前边缘像素标记为强边缘；

②如果当前边缘像素的梯度值介于max Val和min Val之间，则将当前边缘像素标记为虚边缘，待进一步处理；

③如果当前边缘像素的梯度值小于或者等于min Val，则抑制当前边缘像素；

(3)处理虚边缘；

通过判断虚边缘与强边缘是否连接来处理虚边缘，即若虚边缘与强边缘连接，则将该边缘处理为强边缘；若该边缘与强边缘无连接，则将该边缘视为伪边缘，进行抑制；通过利用双阈值检测和连接边缘得到遥感图像目标地物的精细边缘轮廓图。

2.如权利要求1所述的基于FCN‑8s和改进Canny边缘检测的遥感图像信息提取方法，其特征在于：步骤(一)所述的空间距离信息的权重设置是距离越远，权重越小；色彩信息的权重设置是色彩差别越大，权重越小。