1.一种基于边缘梯度导向插值的deplabv3+语义分割方法，其特征在于，步骤如下：S1：使用高斯模糊进行降噪，在进行边缘检测之前首先要对原图像进行高斯滤波，减少噪声对边缘检测的影响；

S2：采用Sobel算子对模糊后的图像分别求x方向与y方向的梯度，可以得到总的梯度图像即检测到的边缘图，也就是低分辨率图像的梯度；

S3：提最后分别对x和y方向实行双三次插值，从而得到高分辨率图像的初始梯度；

S4：用边缘梯度导向插值算法来替换deeplabv3+网络模型解码器中的双线性插值，并使用VOC 2012数据集验证算法的有效性；

S2中采用Sobel算子对模糊后的图像分别求x方向与y方向的梯度，可以得到总的梯度图像即检测到的边缘图；

T

S200：记真实图像为函数f(x,y)，则f(x,y)在像素点(x,y)的梯度为▽f(x,y)＝[Gx,Gy] ，其中Gx、Gy分别表示x方向和y方向的梯度分量，则有：S201：图像梯度的幅值记为mag(▽f)，其计算公式有：可以简化为：|▽f|＝|Gx|+|Gy

图像中，梯度矢量的方向角θ(x,y)，则有

对于数字图像f(x,y)其像素点都是离散分布的，因此可以表示为数据集合可以表示为S202：在像素点(i,j)处，沿着x和y方向的一阶差分计算公式为：梯度计算模板如下所示,其中Gx表示水平方向的梯度模板，Gy表示竖直方向的梯度模板；

根据 计算各个点的梯度方向，从而得到低分辨率图像的梯度

所述S3中分别对x和y方向实行双三次插值，从而得到高分辨率图像的初始梯度S300：双三次插值是同时考虑了四个相邻的像素图像的强度的影响和图像强度变化率的影响，以待估计点所在位置为中心，已知像素数目为4×4的邻域窗口内容的16个像素图像强度完成插值计算，三次多项式G(t)的数学表达式如下，其中t为自变量；

S301：双三次插值由基本原理图可得，则得出：

A＝[G(1+u)G(u)G(1‑u)G(2‑u)]

其中，B为邻域窗口内的16个相邻像素点组成的图像像素矩阵，因此双三次插值的具体插值计算方法可定义为：f(i+u,i+v)＝A*B*C。

2.根据权利要求1所述的一种基于边缘梯度导向插值的deplabv3+语义分割方法，其特征在于，S1中使用高斯滤波对输入图像进行降噪以减少噪声对边缘检测的影响，在这里使用的是5×5的滤波窗口，滤波窗口如下：

3.根据权利要求1所述的一种基于边缘梯度导向插值的deplabv3+语义分割方法，其特征在于，所述S4中用边缘梯度导向插值算法来替换deeplabv3+网络模型解码器中的双线性插值，并使用VOC 2012数据集验证算法的有效性。