1.一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法，其特征在于：该方法包括下列顺序的步骤：(1)数据采集：通过遥感卫星获取不同情景下的图像，并转换为jpg格式的三通道图像，得到数据集；

(2)数据预处理：在数据集中选定分割对象，对分割对象进行语义标注和分割，进行图像增强，在图像增强后将整个数据集划分为训练集、测试集和验证集；

(3)网络模型的创建和训练：构建改进的DeepLab v3+网络模型，采用训练集训练改进的DeepLab v3+网络模型，得到训练后的改进的DeepLab v3+网络模型及其参数；

(4)测试阶段：将测试集中的测试图像输入训练后的改进的DeepLab v3+网络模型，选定分割对象为田地、建筑群或水域，并保存语义分割的结果图像。

2.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法，其特征在于：所述步骤(1)具体是指：分别采集含建筑群、农田、水域不同场景的卫星遥感图像，将多通道的高光谱图像转换为三通道的jpg格式图像，得到数据集，用于特征提取。

3.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)选定分割对象，使用图像标注工具Lableme对图像中建筑群、农田、水域进行标记，标记后进行分割，将图像分割为500×500的图像；

(2b)对分割后的图像进行数据增强，随机进行水平或竖直翻转，添加随机噪声，对数据集进行扩充，将扩充后的数据集按7：2：1的比例依次划分为训练集、测试集和验证集。

4.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)构建改进的DeepLab v3+网络模型，使用轻量级网络MobileNet v2作为主干网络；

(3b)在编码区Encoder中，通过连续使用3个膨胀系数为1、2、3的空洞卷积作为HDC模块替代空洞空间卷积池化金字塔ASPP中原有的卷积，为保证感受野不变，使用一个HDC模块替代膨胀率为6的卷积，使用两个HDC模块替代膨胀率为12的卷积，使用三个HDC模块替代膨胀率为18的卷积，卷积时覆盖低层特征层的方形区域，以改善网格效应带来的孔洞问题；

HDC模块为遵循HDC原则的空洞卷积，定义两个非非零元素之间的最大距离公式：其中，Mi是第i层两个非零元素之间的最大距离，ri为第i层的膨胀系数。为避免网格效应造成的损失，需满足第i层两个非零元素之间的最大距离Mi≤卷积核大小K；

(3c)在空洞空间卷积池化金字塔ASPP中，使用带状池化模块替代原有的全局平均池化模块，分别通过垂直池化和水平池化构建通道间的依赖关系，从不同空间维度收集信息；

垂直池化时，对特征图x中的每一列像素值进行相加再求均值，垂直条带池化后的输出v Wy∈R为1xW的行向量：

水平池化时，对特征图x中的每一行像素值进行相加再求均值，水平条带合并后的输出h Hy∈R为H×1的列向量：

C×H×W

其中，输入特征x∈R 为输入张量，C表示通道数，H表示特征图的高，W表示特征图的h H v W宽；输出y∈R 为H×1的列向量，输出y∈R为1xW的行向量，i，j分别表示特征图的第i行和第j列；

C×H×W h C×H v C

为获得包含更有用的全局先验的输出z∈R ，进行扩展操作后得到y∈R 和y∈R×W C×H×W，组合得出y∈R ：

输出z为：

z＝Scale(x,σ(f(y)))    (5)

其中，Scale()表示元素乘法，σ是Sigmoid函数，f是1×1卷积；

(3d)在解码区Decoder中，从主干网络中提取第4、7两层浅层特征施加基于标准化的注意力机制NAM，其后构建ResNet50模块，使用先降维再升维的卷积快，并将其中3×3的卷积替换为膨胀率为4的空洞卷积，丰富细节特征；

基于标准化的注意力机制NAM使用批量标准化的比例因子，通过稀疏的权重惩罚和标准偏差来表示通道的重要性，基于标准化的注意力机制NAM包括通道注意力子模块和空间注意力子模块，通道注意力机制为：其中， 表示小批量B的均值；σΒ表示B的标准差；γ和β分别表示缩放因子和位移；ε为较小的数，避免分母为0；Bin表示B的输入值，Bout表示B的输出值对输入特征图通道维度中的信息进行归一化，施加权重后最后得到的输出特征如下：Mc＝sigmoid(Wγ(BN(F1)))       (7)其中，γ是缩放因子，MC表示输出特征，Wγ表示该通道的权重，F1表示输入的特征图；

空间注意力子模块对输入特征图空间中的每个像素使用同样的归一化方法，最后得到的输出特征为：Ms＝sigmoid(Wλ(BNs(F2)))     (8)其中，λ是每个通道的缩放因子，Ms表示输出特征，Wλ表示该通道的权重，F2表示输入的特征图；

(3e)选择交叉熵作为算法的损失，平均交并比mIoU和平均像素精确度mPA作为评价指标，从预测像素正确的部分在预测像素和真实像素的并集中的比例，以及正确像素占总像素的比例两个角度来对网络模型的训练效果进行评价；

交叉熵为：

其中，yi为某个像素的真值，二分类任务中真值为0或1； 为某个像素的预测值；n为每次计算损失的样本量；

平均交并比mIoU和平均像素精确度mPA的计算公式如下：其中,TP表示真正例，即模型预测为正例，实际是正例；FP表示假正例，模型预测为正例，实际是反例；FN表示假反例，模型预测为反例，实际是正例。

5.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法，其特征在于：所述步骤(4)具体包括以下步骤：(4a)保存针对不同分割对象的预训练的模型参数；

(4b)将测试集中的测试图像输入训练后的改进的DeepLab v3+网络模型，，选定分割对象为田地、建筑群或水域，输出对应分割结果后，保存语义分割的结果图像。