1.一种遥感图像语义分割方法，其特征在于，包括以下步骤：

S1、对大规模遥感图像和其对应的标签图像进行等比例裁剪，得到用于训练的小块遥感图像；随机对小块遥感图像和对应的标签图像进行处理，然后对生成的所有训练图片和其对应的标签图像按顺序进行编号，得到扩充后的训练用的遥感图像数据集；

S2、搭建基于SegNet的遥感图像语义分割网络，构建损失函数L，并将训练图片依次放入语义分割网络中，利用梯度下降法对网络参数进行迭代更新，得到训练好的遥感图像语义分割网络，基于SegNet的语义分割网络结构依次为：输入图像→2个卷积层→1个带位置池化层pool_1→2个卷积层→1个带位置池化层pool_2→3个卷积层→1个带位置池化层pool_3→3个卷积层→1个带位置池化层pool_4→3个卷积层→3个卷积层→1个利用位置信息的上采样层unpool_1→3个卷积层→1个利用位置信息的上采样层unpool_2→3个卷积层→1个利用位置信息的上采样层unpool_3→2个卷积层→1个利用位置信息的上采样层unpool_4→2个卷积层→输出层；

每个卷积层包括：卷积核为3x3的卷积操作→批归一化操作BN→修正线性单元ReLU；所有卷积操作的步长均为1，池化层均为2x2的最大池化；每个上采样层都和对应的池化层之间使用跳跃连接；

将2个空洞空间金字塔池化模块加入语义分割网络的pool_3和编码部分的最后三个卷积层后，每个空洞空间金字塔池化模块模块的具体结构包括：1个卷积核为1x1的卷积；3个卷积核为3x3的采样率为(6,12,18)的空洞卷积，滤波器数量为256；1个获取特征图全局特征的全局平均池化，最后，将5条通路获得的特征通过1x1卷积级联到一起；

S3、从步骤S2构建的遥感图像语义分割网络输出结果图的第一个像素pi11开始，遍历整张特征图的全部像素，对每一个像素进行优化操作，然后将步骤S1中随机裁剪的小块遥感图像进行合并操作，对于重合部分进行多数投票表决，得到大规模遥感图像的分割结果，完成特征图合并操作，具体为：S301、从步骤S2构建的语义分割网络输出结果图的第一个像素pi11开始，遍历整张特征图的全部像素；

S302、对于每一个像素piij，获取以像素piij为中心的八邻域，考察周围8个像素的标签中表示为同一类的像素个数t，t≤8；

S303、进行优化操作，若t≥6且像素对应的标签与中心像素piij的标签不一致，则将中心像素piij对应的标签改为对应的标签；否则，执行对下一个像素的考察；

S304、将步骤S1中随机位置裁剪的小块遥感图像进行合并操作，对于重合部分进行多数投票表决，得到大规模遥感图像的分割结果。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，随机对生成的小块遥感图像和对应的标签图像进行90°、180°或270°旋转、镜像、模糊和光照调整操作。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，损失函数L具体为：

其中，N代表每个图像块中的像素数量，k代表类别的数量，l代表像素的标签，p代表网络的预测。

4.根据权利要求1所述的方法，其特征在于，步骤S303中，优化操作公式如下：

其中，wc和pc分别表示在图中c位置的像素；Ωc表示以c位置像素为中心的八邻域；H(·)表示直方图操作。

5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。

6.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。