1.一种基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，用于对目标影像中的水体区域进行提取，其特征在于，方法包括如下步骤：步骤1、获取目标影像；

步骤2、基于自适应直方图均衡化算法对目标影像进行预处理，获取更新的目标影像；

步骤3、将更新的目标影像输入至训练好的水体区域提取模型，对目标影像中的水体区域进行提取；所述水体区域提取模型为多尺度卷积‑多核池化的编码‑解码网络模型。

2.根据权利要求1所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，所述多尺度卷积‑多核池化的编码‑解码网络模型包括编码器、解码器、桥接模块；

所述编码器采用Residual残差块和池化层进行下采样；所述解码器采用转置卷积层进行上采样；所述桥接模块包括多尺度的卷积块和多核池化块；

所述桥接模块通过其中多尺度的卷积块和多核池化块对编码器和解码器底端进行桥接。

3.根据权利要求2所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，所述Residual残差块采用ResNet18/34的BasicBlock结构。

4.根据权利要求2所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，所述的多尺度的卷积块包括至少一个空洞卷积串，各空洞卷积串的扩张率彼此不同，且各空洞卷积串通过并联连接；所述多尺度的卷积块根据如下公式：X1＝r×(k‑1)+1 (1) Xm＝r×(k‑1)+Xm‑1 (2)获取感受野，其中，X1是第一层感受野大小，Xm代表第m层感受野的大小，Xm‑1是上一层感受野大小；k为空洞卷积核的大小；r为扩张率。

5.根据权利要求2所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，所述的多核池化块包括至少一个池化块，各池化块的池化核大小不同，且各池化块之间采用并联连接；所述多核池化块采用双线性插值法进行上采样。

6.根据权利要求1所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，方法还包括通过如下所述方法训练多尺度卷积‑多核池化的编码‑解码网络模型：

步骤A、获取原始影像数据集，数据集中包含多张影像，以及与各影像中每个像素对应的标签；所述标签为影像中像素的分割类别，所述分割类别包括水体类别；

步骤B、基于自适应直方图均衡化算法对原始影像数据集中的各影像进行预处理；

步骤C、对原始影像数据集中的标签进行二值化分割，将标签分为水体和非水体，进而获取水体前景二分类图；所述原始影像数据集为未进行预处理的影像数据集；

步骤D、对预处理后的影像和水体前景二分类图进行数据扩充，进而构建水体提取数据集；

步骤E、搭建多尺度卷积‑多核池化的编码‑解码网络模型，使用水体提取训练数据集对该模型进行训练，获取训练好的多尺度卷积‑多核池化的编码‑解码网络模型。

7.根据权利要求6所述的基于多尺度卷积‑多核池化的高分辨率影像水体提取方法，其特征在于，在步骤D中，所述数据扩充方法包括：对各影像及其对应水体前景二分类图进行无重叠裁剪、翻转变换、随机旋转、伽玛变换、添加噪声。