1.一种基于多尺度残差注意力模型的SAR影像水体提取方法，其特征在于，包括以下步骤：(1)针对狭窄水域识别准确率低的问题，引入嵌套式连接的解码器结构，该结构使用上采样和几个短跳连接代替长跳连接；嵌套式解码器能够抑制语义间隙的影响，保留更多的信息，从而获得更好的分割结果；针对遥感影像中水体形态各异问题，提出一个基于多尺度残差和注意力构成的水体分割网络；多尺度残差模块能够分析不同尺度的目标，提取更深层次的高级特征信息；为了获得准确和连续的水体边界，在每层编码器后面加上细化注意力模块，用来融合空间特征中丰富的语义信息和通道特征中准确的位置信息，以逐步细化分割细节来避免水体边界信息的丢失；

(2)获取SAR影像，对源影像进行预处理，获得模型的训练数据集和测试数据集；

(3)通过水体在SAR影像中散射系数低，呈现的颜色比较深的特点来制作标签；

(4)建立多尺度残差注意力模型的SAR影像水体提取方法；

(5)设置模型的超参数、总训练次数、学习率、动量参数、权重衰减参数，经过反复调整和对比试验得到最佳参数，以得到最佳水体分割模型；

(6)使用测试集测试训练好的模型，并通过和传统模型对比，最终验证本发明模型在水体分割方面的优越性。

2.根据权利要求1所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法，其特征在于，所述步骤(2)具体为：对SAR影像完成辐射校准、地形校正和对数转换以及相干斑滤波预处理；将SAR双极化数据和衍生得来的SDWI数据叠加组合成新的三通道影像，将新影像作为模型的输入，SDWI公式如下：KSDWI＝ln(10×VV×VH) (1)

其中，KSDWI表示波段运算的结果值，VV和VH表示SAR双极化数据；SDWI参考借鉴了归一化水指数NDWI，利用SAR双极化数据之间的波段运算来增强水体特征，取得了较好的水体信息提取效果。

3.根据权利要求1所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法，其特征在于，所述步骤(3)具体为：(3.1)对每幅SAR影像进行标注，得到水域和非水域区域的二分类标签；

(3.2)保持每个模型的输入大小一致；

(3.3)对处理后的图像和标签进行裁剪，最终得到模型的训练数据集、验证数据集以及测试数据集。

4.根据权利要求1所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法，其特征在于，所述步骤(4)具体为：(4.1)针对遥感影像中水体形态各异问题，提出一个基于多尺度残差模块和细化注意力模块构成的水体分割模型；多尺度残差模块能够分析不同尺度的目标，提取更深层次的高级特征信息；

(4.2)针对狭窄水域识别准确率低的问题，引入嵌套式连接的解码器结构，该结构使用上采样和几个短跳连接代替长跳连接；

(4.3)在每层编码器后面加上细化注意力模块，融合空间特征中丰富的语义信息和通道特征中准确的位置信息，以逐步细化分割细节来避免水体边界信息的丢失。

5.根据权利要求4所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法，其特征在于，步骤(4.3)中所述的细化注意力模块的设计步骤具体为：细化注意力模块引入了空间注意力SA和通道注意力CA的思想；SA和CA模块可以分别学习SA权重和CA权重，将两个注意力权重加权到组合特征就可获得两个新的加权特征，即SA权重分配给抽象要素，CA权重分配给空间要素；最后将两个加权特征相加得到新的融合特征；细化注意力模块利用了通道特征和空间特征，最终提高了语义分割中像素级分类的准确性，细化注意力模块表示如下：fCA＝σ(MLP(AvgPool(X)+MaxPool(X))) ＝σ(W1(W0(Favg)+W1(W0(Favg)))

7×7

fSA＝σ(f (AvgPool(X)；MaxPool(X)))

7×7

＝σ(f (Fss))

c/r×c c×c/r 7×7

其中W1∈R 和W0∈R 是多层感知器的权重，f 表示滤波器大小为7×7的卷积层，σ是sigmoid函数，代表点乘运算符，fCA为CA模块，fSA为SA模块；X为输入特征图；

当模型体系结构中使用长跳连接时，无法区分具有相似特征的水域和细小水域，或者无法排除雷达噪声和山影的干扰；针对这些问题，提出了嵌套连接方法，该结构使用上采样和几个短跳连接代替长跳连接；通过嵌套连接，能够抑制影像中散斑噪声和水影，保留更多的信息，从而获得更好的分割结果。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法。

7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5中任一项所述的一种基于多尺度残差注意力模型的SAR影像水体提取方法。