1.一种基于弱监督学习的高分遥感目标边界提取方法，包括如下步骤：

步骤1：制作遥感影像目标边界样本：选用高分辨率遥感卫星影像数据，选取多处生产目标所在区域裁剪成统一大小的多景影像，对少量影像描画目标的精细边界并标记类型，获得少量精确样本标签，对大量影像标注地物目标中心点，获得大量不确切样本标签；

步骤2：根据提取目标选择神经网络并使用少量精确样本标签训练小样本集边缘模型至拟合；

步骤3：使用小样本集边缘模型预测步骤1中的大量不确切样本，获得大量不准确样本标签；

步骤4：以步骤1中的不确切样本标签为基准，计算不准确样本标签的边界完整程度，从不准确样本中挑选出边界比较完整的标签构建新的样本库，具有更准确的样本标签；

步骤5：使用更准确样本标签对小样本集边缘模型进行迭代训练至收敛，获得更可靠的大样本集边缘模型。

2.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤1中，高分辨率遥感卫星影像数据可采用光学卫星遥感数据或者搭载光学相机的航空遥感数据，根据分辨率要求可直接使用多光谱影像或经过辐射定标、正射校正、图像融合的全色影像。

3.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤1中，人工使用Arcmap等地理生产软件进行选取目标区域中心点、裁剪成固定大小、勾画边界标记类型等操作，最终生成大小一致带有地理坐标的栅格文件和面矢量文件。

4.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤2中具体包括：步骤2.1：设计深度神经网络：为了能得到比较准确的目标边缘，选择RCF作为边缘检测网络，可以很好地利用丰富的特征层次结构，提取检测精确边缘。其损失函数为：其中 是阶段k的激活值， 是来自激活层，|I|是图像的各个像素值，K是阶段数，W表示神经网络学习的权重；

步骤2.2:初始化网络权重：使用VGG16预训练模型来初始化RCF网络权重；

步骤2.3:设置训练超参数：配置超参数，模型调优后具体数值：迭代次数8000，batch_size＝4,学习率更新策略，学习率更新步长＝[3200,4800,6400,8000]，初始学习率＝

0.001，学习率更新系数＝0.1；

步骤2.4:训练第一代模型：按照步骤2.3设置好的超参数，将步骤1.3中的少量精确样本输入到RCF网络中进行训练，待神经网络收敛，获得第一代边缘检测模型。

5.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤3具体包括：步骤3.1:将步骤1.3中的不确切样本输入到步骤2.4中的第一代边缘检测模型中，获得关于地物目标的边缘强度图，描述是否为目标边缘的可能性；

步骤3.2:将步骤3.1中的地物目标边缘强度图使用skeleton算法进行骨架提取，获得不准确样本标签，与不确切样本标签不同，不准确样本标签仅为网络模型预测处理后的结果，含有错误信息，而不确切样本标签是人工绘制确定地物目标位置的一个定位点，几乎完全可信。

6.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤4中，不确切样本标签是地物目标中心点，确定地物目标位置，是计算边界完整程度的重要依据；根据地物目标中心点并使用边界完整程度算法筛选出较优质的样本标签，降低噪声干扰；边界完整程度算法如下：步骤4.1:遍历不确切样本标签中的每个地物目标中心点，以点为中心，从0点钟方向开始，360度地顺时针向外辐射，直至触碰到步骤3.2中不准确样本的骨架边缘线，记录每个触碰点；

步骤4.2:对于围绕同一个定位点的触碰点，使用八邻域的形态学方法尽可能拓扑连接，每个定位点将得到关于它的目标边界线；

步骤4.3:计算每一个目标边界线的闭合程度，并根据设定的阈值分两种情况处理边界线；

步骤4.3.1:可修补断线延伸：对于闭合程度大于阈值的边界线，参考步骤3.1中的边缘强度图，选取强度图中数值较大的像素点使边界断线得到延伸，最终闭合并记录到更准确的样本标签中；

步骤4.3.2:不可修补断线删除：对于闭合程度小于阈值的边界线，不记录到更准确的样本标签。

7.如基于弱监督学习的高分遥感目标边界提取方法，其特征在于：步骤5中，使用小样本集边缘模型初始化边缘检测模型的网络权重，训练至拟合的大样本集边缘模型为最终模型，具体包括：步骤5.1:用步骤2.4中的第一代模型取代VGG16预模型来重新初始化RCF网络权重；

步骤5.2:将步骤4.3获得的更准确样本输入到RCF网络中按照步骤2.3的超参数训练，待神经网络收敛，获得最终的大样本集边缘模型；

步骤5.3:使用最终的大样本集边缘模型预测待生产的高分遥感影像数据，可得到较步骤3.1更准确的地物目标边缘强度图；

步骤5.4:使用skeleton算法对边缘强度图进行骨架提取，得到的骨架图；

步骤5.5：对骨架图取最外边界，得到最终的地物目标边界提取结果。