1.基于卷积稀疏编码的Unet语义分割方法，其特征在于，该方法包含以下步骤：S1：将数据集中的训练样本和标签读入CSC‑Unet语义分割网络，根据实际需要，应先对训练图片及标签进行预处理，如裁剪和归一化；

S2：将卷积稀疏编码与Unet中的编码网络相结合形成CSC‑Unet模型的编码器，从而来获得图像的全局信息；

S3：将卷积稀疏编码与Unet中的解码网络相结合组成CSC‑Unet模型的解码器，从而来获得图像的位置信息，并使用跳跃结构使得全局信息可以和位置信息相结合，从而产生准确而精细的分割；

S4：将CSC‑Unet模型得出的结果进行后处理得到可视化后的语义分割图。

2.根据权利要求1所述的基于卷积稀疏编码的Unet网络的语义分割方法，其特征在于：所述S1和S4分别是对图像进行预处理和后处理，所述S2和S3是提出基于卷积稀疏编码和Unet分割模型形成的CSC‑Unet语义分割方法。

3.根据权利要求1所述的基于卷积稀疏编码的Unet网络的语义分割方法，其特征在于：所述S1：数据预处理部分，其处理可由以下几个步骤构成：S1.1、将数据进行预处理，如归一化、标准化、裁剪和数据增强，有利于深层网络的训练，加速收敛过程，同时也避免过拟合问题并增强了模型的泛化能力；

S1.2、将数据进预处理后读入网络：根据batch‑size大小，将数据集中的训练样本和标签读入卷积神经网络。

4.根据权利要求1所述的基于卷积稀疏编码的Unet网络的语义分割方法，其特征在于：所述S2：CSC‑Unet模型的编码器设计过程，其设计过程可由以下几个步骤构成：S2.1、设计两层的卷积稀疏编码模型网络模型组成ML‑CSC模块：设原始信号X满足两层卷积稀疏模型，可以表示为X＝D1Γ1,Γ1＝D2Γ2，其中S2.2、ML‑CSC问题的求解：关于如何求出Γ1和Γ2可以看成是深度编码问题(DCP)：在||Y‑D1Γ1||2≤ε, Γ1＝D2Γ2, 条件下求解 其中Y是混合了噪声E的原始信号X,即Y＝X+E(||E||2≤ε)。用分层基础追踪算法(LBP)解决深度编码问题可以得出： 其中

S2.3、LBP问题的求解：使用多层迭代软阈值算法(ML‑ISTA)可以求出LBP问题的近似解： 其中t为迭代次数，Tλ为阈值算子；若进一步假设表示系数有非负性，则上述近似解可以写成：其中 Wk为卷积操作，当t＝0，即无迭代次数时，ML‑CSC模块相当于两次卷积操作，卷积系数分别为：W1和W2，当迭代次数t＝1时，且在迭代过程不

会增加可学习参数的数量；

S2.4、将ML‑CSC模块与传统Unet分割网络的编码端相结合。

5.根据权利要求1所述的基于卷积稀疏编码的Unet网络的语义分割方法，其特征在于：所述S3：CSC‑Unet模型的编码器以及跳跃连接的设计，其设计过程可由以下几个步骤构成：S3.1、将ML‑CSC模块与传统Unet分割网络的解码端相结合；

S3.2、使用跳跃结构使得全局信息可以和位置信息相结合，从而产生准确而精细的分割；

S3.3、损失函数选用NLL_LOSS,对输入参数进行log‑SoftMax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化。

6.根据权利要求1所述的基于卷积稀疏编码的Unet网络的语义分割方法，其特征在于：所述S4中将CSC‑Unet模型得出的结果进行后处理得到可视化后的准确语义分割图；其过程可由以下几个步骤构成：

S4.1、将模型输出后的结果与真实标签进行精度运算，求出混淆矩阵，从而得到相应的平均交并比(Miou)，像素精度，平均像素精度，等指标度量参数，进而衡量的网络性能；

S4.2、将模型的预测结果以图片的形式保存下来，直观感受分割的精确程度。