1.一种遥感图像的道路提取方法，其特征在于，包含：获取遥感图像；

构建轻型U‑Net模型；

根据所述轻型U‑Net模型构建道路提取模型；其中，所述道路提取模型包括逐级连接的多个所述轻型U‑Net模型，以及将多个轻型U‑Net模型的输出融合成最终输出的融合模型；

根据所述道路提取模型从所述遥感图中提取道路提取图。

2.根据权利要求1所述的道路提取方法，其特征在于，所述轻型U‑Net模型用于从输入的图像中提取特征图；

逐级连接的多个轻型U‑Net模型中，第一个轻型U‑Net模型的输入为所述遥感图像；其余轻型U‑Net模型的输入为所述遥感图像和前一个轻型U‑Net模型的特征图的拼接图像。

3.根据权利要求2所述的道路提取方法，其特征在于，融合模型具体用于：获取多个轻型U‑Net模型的多个特征图；

将所述多个特征图进行拼接、卷积、激活、以及全连接操作，以获得所述道路提取图。

4.根据权利要求1所述的道路提取方法，其特征在于，根据所述轻型U‑Net模型构建道路提取模型，具体为：

根据所述轻型U‑Net模型构建原始模型；

获取训练集；其中，所述训练集包括原始图像和标记图像；

初始化所述原始模型的参数，并设置损失函数；其中，所述参数包括训练批次、学习率，以及参数求解模型；

将所述训练集输入初始化后的所述原始模型，开始训练，直至模型收敛，获得所述道路提取模型。

5.根据权利要求4所述的道路提取方法，其特征在于，所述训练集为多个256×256×3的测试图像；

所述参数求解模型为Adam或SGD；

所述损失函数为binary‑loss‑entropy函数；

所述损失函数的表达式为 其中，T为轻型U‑Net模型的个数，tt

为轻型U‑Net模型的编号，q 表示第t个轻型U‑Net模型的损失函数权重； 表示第t个轻型U‑Net模型的损失函数，I为所述训练集，Wt表示第t个轻型U‑Net模型的网络参数。

6.根据权利要求1至5任一项所述的道路提取方法，其特征在于，所述轻型U‑Net模型包括编码部分和解码部分；

所述编码部分包括三个第一卷积组合和两个第二卷积组合，以及五个最大池化跳跃层；

所述第一卷积组合包括依次连接的第一卷积层、第一激活层、第二卷积层、第二激活层，以及第一最大池化层；

所述第二卷积组合包括依次连接的第三卷积层、第三激活层、第四卷积层、第四激活层、随机失活层，以及第二最大池化层；最大池化层分别连接有一个所述最大池化跳跃层。

所述解码部分包括五个上采样组合，以及输出组合；

所述上采样组合包括依次连接的上采样层、第五卷积层、第五激活层、连接层、第六卷积层、第六激活层、第七卷积层，以及第七激活层；其中，所述连接层连接于一个所述最大池化跳跃层；

所述输出组合包括依次连接的第八卷积层、第八激活层、第九卷积层、第九激活层，以及第八激活层；

第一到第七激活层为ReLU层，第八激活层为Sigmoid层。

7.一种遥感图像的道路提取装置，其特征在于，包含：图像获取模块，用于获取遥感图像；

第一模型构建模块，用于构建轻型U‑Net模型；

第二模型构建模块，用于根据所述轻型U‑Net模型构建道路提取模型；其中，所述道路提取模型包括逐级连接的多个所述轻型U‑Net模型，以及将多个轻型U‑Net模型的输出融合成最终输出的融合模型；

道路提取模块，用于根据所述道路提取模型从所述遥感图中提取道路提取图。

8.根据权利要求7所述的一种道路提取装置，其特征在于，所述轻型U‑Net模型用于从输入的图像中提取特征图；

逐级连接的多个轻型U‑Net模型中，第一个轻型U‑Net模型的输入为所述遥感图像；其余轻型U‑Net模型的输入为所述遥感图像和前一个轻型U‑Net模型的特征图的拼接图像。

9.一种遥感图像的道路提取设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的遥感图像的道路提取方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的遥感图像的道路提取方法。