1.一种基于深度学习的遥感图像分割的修补方法，其特征在于，包括以下步骤：步骤一：制作遥感图像数据集；

步骤二：构建道路场景语义分割网络模型，并训练该网络模型；

道路场景语义分割网络模型包括：编码器网络框架和解码器网络框架，所述编码器框架分为五层，第一层通过普通卷积层FE模块提取浅层次语义信息，第二层到第五层通过分组卷积提取高层语义信息；所述分组卷积包括挤压和激励两部分，挤压操作将每个通道上的空间特征编码为一个全局特征图；激励操作通过一个全连接层对挤压操作得到的全局特征图进行线性变换，通过ReLU激活层和全连接层将通道数恢复至原通道数，得到编码后的遥感道路图像；所述解码器框架采用卷积向量运算空间注意力机制和通道注意力机制对遥感道路图像进行全局混合特征信息提取，通过密集跳跃链接促进语义信息融合，得到图像的全局混合特征，采用3×3卷积层将图像的全局混合特征将压缩到单通道，得到最终输出图像；

步骤三：将遥感图像数据集中的高分辨率遥感道路图像输入到训练好的网络模型中进行遥感道路图的场景语义分割，输出道路场景语义提取后的遥感道路图像；

步骤四：将道路场景语义分割网络最终输出图像二值化，得到多像素点组合成的黑白效果道路图像；

步骤五：将多像素点组合成的黑白效果道路图像细化为单像素点道路图像；

步骤六：采用改进八邻域断点检测算法搜索断点；

步骤七：采用kmeans聚类算法将搜索到的断点进行聚类，将聚类后的断点划分为常规断点和特殊断点；

步骤八：采用多项式拟合的方法对常规断点进行曲线拟合，采用形态学膨胀方法对特殊断点变大或者变粗，实现整体道路图像断点的修补；

步骤九：采用形态学腐蚀方法去除整体道路图像断点周围的毛边或者毛刺。

2.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，将遥感图像数据集中的图像划分为分辨率为512*512的图像块，对遥感图像数据集中的图像块进行图像增强处理，将处理完成的遥感图像数据集作为道路场景语义分割网络模型的训练集进行该模型的训练。

3.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，采用改进八邻域断点检测算法搜索断点，将道路中心像元设为p1，其周围邻近的八方向像元点设为p2→p9：

1)：当p2+p3+p4+p5+p6+p7+p8+p9＝1，p1为断点；

2)：当p2+p3+p4+p5+p6+p7+p8+p9≥2，且八邻域内以p1为中心的顺时针方向只出现一次0→1模式转化，则p1为断点，其中0为背景像素点，1为目标像素点。

4.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，采用kmeans聚类算法将搜索到的断点进行聚类，将聚类后的断点划分为常规断点和特殊断点，具体包括：S1：在单像素点道路图像中随机选取k个初始点作为kmeans聚类算法的簇的中心点；

S2：对于每一个断点，将其分配到距离中心点最近的簇；

S3：对于每一簇中的断点，计算所有被分到该簇的断点的平均距离作为该簇新的中心点；

S4：定义损失函数为各个断点距离所属簇中心点的误差平方和，重复S2‑S3直到损失函数收敛，则簇不再发生变化；

S5：计算各个簇中心点之间的距离并找到最小值m，再计算每个簇中样本点距离其中心点之间的距离Mlk，将Mlk≥m的断点划分为特殊断点，Mlk

5.根据权利要求4所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，定义损失函数为各个样本距离所属簇中心点的误差平方和，损失函数表达式为：其中，N是簇中断点总数，xi为第i个断点，Ci是xi所属的簇， 是簇对应的中心点，Cos t表示损失函数。

6.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，用多项式曲线拟合同一类断点，多项式曲线拟合表达式为：i

其中，x表示第i阶道路的断点，wi表示第i阶断点的系数，M表示高阶多项式阶数，b表示断点拟合曲线误差的线性修正值。

7.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，通过膨胀操作使特殊断点宽度变大，宽度由所用的结构元素尺寸控制，选择线性结构元素对遥感图像的特殊断点进行处理，A被B膨胀操作的表达式为：其中， 表示A被B膨胀，B表示线性结构元素，A表示含有断点信息的待处理遥感图像，AΘB表示A被B腐蚀，C表示取反补集。

8.根据权利要求1所述的一种基于深度学习的遥感图像分割的修补方法，其特征在于，通过腐蚀操作将图像中细小的毛边或者毛刺进行消除或者减弱，将图像的边界向内部进行收缩，A被B腐蚀操作的数学表达式为：其中，AΘB表示A被B腐蚀，B表示线性结构元素，A表示含有断点信息的待处理遥感图像，x表示平移距离。