1.一种基于改进SegNet的遥感图像建筑物分割方法，其特征在于：所述方法包括以下步骤：

步骤S1：训练样本集制作

选择现有遥感图像数据集，所述数据集中包括遥感图像及其标注，通过旋转、缩放、裁切和增加图像噪声操作对数据集中样本进行增广扩充，获得训练样本集和测试样本集；

步骤S2：构建基于改进SegNet的遥感图像建筑物分割网络模型基于Anaconda环境使用Keras框架构建基于改进SegNet的遥感图像建筑物分割网络模型，该模型基于SegNet的编码‑解码网络结构，在SegNet模型中编码网络的第2个和第3个卷积组中分别插入bottleneck块，通过增加网络深度获得更多建筑物边缘特征，利用瓶颈结构对输入数据进行降维后再进行升维减少网络参数，提高网络训练效率；将解码网络中最后一个卷积组的最后两个普通卷积替换为深度可分离卷积；将编码网络中卷积层的特征图和解码网络中成镜像关系的上采样层特征图进行跳跃连接，利用遥感图像的低级语义特征辅助高级语义特征进行图像重构，提高建筑物分割的精度和丰富特征描述信息，使得分割图像的边缘完整度更高；

步骤S3：网络模型训练

将预处理后的训练样本集送入网络模型进行训练，经过测试样本集检验后，保存最佳训练模型；

步骤S4：利用步骤S3保存的最佳训练模型进行遥感图像建筑物分割，输出结果。

2.根据权利要求1所述的方法，其特征在于：在步骤S1中，选择Satellite dataset I和Massachusetts Buildings Dataset建立遥感图像建筑物分割训练样本集和测试样本集；

所述Satellite  dataset I包含204张大小为512×512的建筑物遥感图像，所述Massachusetts Buildings Dataset包含151张大小为1500×1500的建筑物遥感图像。

3.根据权利要求1所述的方法，其特征在于：所述bottleneck块由1×1×64、3×3×64和1×1×128三个卷积层构成；bottleneck块结构中，1×1×64的卷积用于降低特征维度，对输入特征进行压缩，1×1×128的卷积用来升高维度进行特征通道恢复。

4.根据权利要求3所述的方法，其特征在于：所述深度可分离卷积由逐通道卷积和逐点卷积两部分构成；所述逐通道卷积将来自上一层的多通道特征图全部拆分为单个通道的特征图，分别进行单通道卷积再合并，对特征图组进行批量归一化和ReLU激活函数处理后，采用1×1的卷积核进行逐点卷积。

5.根据权利要求1所述的方法，其特征在于：在步骤S3中，对网络模型进行训练时，提取切割后的遥感图像及其标注，通过基于改进SegNet的遥感图像建筑物分割网络模型进行前向预测，获得分割结果二值图像，该二值图像与标注间的差，即为网络模型的预测误差。

6.根据权利要求5所述的方法，其特征在于：在步骤S4中，输入待处理遥感图像到网络模型，输出为分割后二值图像，通过图像中标记可获取遥感图像中建筑物的位置及边缘信息。