1.一种融合语义分割与边缘的高分遥感目标精准检测方法，包括以下步骤：步骤1：选取适合高分遥感影像地物目标提取的语义分割网络模型和边缘检测网络模型；

步骤2：绘制高分遥感影像样本，人工根据样本的地物目标描画其精确边界并确定其语义类型，生成相应的线标签样本和面标签样本；

步骤3：分别利用步骤2的线标签样本训练边缘检测模型，利用面标签样本训练语义分割模型，至拟合状态；

步骤4：利用步骤3训练完成的边缘检测模型和语义分割模型分别对生产区域的高分遥感影像进行预测，获得该高分遥感影像地物目标的边缘强度图以及语义分割预测图；

步骤5：融合步骤4的语义分割预测图和边缘强度图，对边缘强度图中错提的目标边界和漏提的目标边界进行处理，提取语义分割预测的地物目标边缘对边缘强度图的断线进行补充修复，以获得更精确的目标边缘图；

步骤6：利用步骤5处理后得到的目标边缘图进行矢量化处理，构建地物目标对应的多边形要素矢量，完成地物目标边界的精确提取；

步骤1中根据高分遥感影像特点语义分割网络模型选用Mask RCNN或D‑Linknet，边缘检测网络模型选用RCF或BDCN；

步骤2选择样本时，从大区域高分遥感影像中裁取多块大小相同的区域，该区域应包含多种地物目标；选择样本后，勾画地物目标边界，生成二值化线标签样本和面标签样本；若样本数据量较小可采用数据增强方法，扩充样本集；

步骤3中利用线标签样本训练边缘检测模型，利用面标签样本训练语义分割模型，训练时需选择合适的参数和超参数，训练模型直至拟合状态，具体包括：步骤3.1初始化权重，设置模型超参数：使用VGG‑16预训练的参数来初始化RCF网络权重，使用COCO数据集上预训练的参数初始化Mask RCNN参数；设置模型超参数，学习率，迭代次数，卷积步长；

步骤3.2训练网络模型：将面标签样本输入Mask RCNN语义分割模型训练直至拟合状态，获得针对该任务的语义分割模型，将线标签样本输入至RCF边缘检测模型训练直至拟合状态，获得针对该任务的边缘检测模型；

步骤4将待生产区域的高分遥感影像分别输入训练后的语义分割模型，获取语义分割预测图和边缘强度图；

步骤5中使用步骤4获得的预测图需要进行处理，具体步骤如下：

步骤5.1：选择合适阈值二值化语义分割预测图；

步骤5.2：对边缘强度图进行中值滤波处理，选择合适阈值进行二值化，并使用骨架提取方法细化至单像素宽度；中值滤波公式如下所示，f(x,y)，g(x,y)分别为原始图像和处理后图像；W为二维模板，为3*3区域，med代表中值滤波操作；

g(x,y)＝med{f(x‑k,y‑l),(k,l∈W)}步骤5.3：对步骤5.2获得的单像素宽度边缘图进行连通域分析，去除部分冗余且较短的断线；

步骤5.4：步骤5.3处理后的边缘图叠加步骤5.1获得的二值化语义图，使用语义图的边界来补充边缘图，此时大部分断线形成闭合面，使用分水岭算法提取闭合面的边缘，并保留还未闭合的线段；

步骤5.5：步骤5.4处理后的边缘图仍然存在一些断线，使用八邻域算法找到断点，使用最短路径相连算法，形成闭合边缘；

步骤5.6：步骤5.5获得的边缘图仍会存在一定的断线或者冗余线，利用八邻域算法判断并删除；

步骤5.7：对步骤5.6获得的边缘图进行孔洞填充，并叠加步骤5.2的单像素边缘图，以c保留边缘的重要信息，并使用分水岭算法获取边缘；孔洞填充公式如下，A为原始图像，A 为A图像的补集，B为结构元，为3*3大小，Xk代表第k个需要填补元素,⊕代表一次B对Xk‑1的膨胀操作，该公式代表一个元素的填充过程；

c

Xk＝(Xk‑1⊕B)∩A k＝1,2,3…

步骤6矢量化处理，将步骤获得的边缘图进行矢量化，生成矢量线图层。