1.一种水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，具体包括以下步骤：S1、从不同地区洪水事件数据集中收集同区域且时间段相近的SAR遥感卫星和多光谱遥感卫星采集的图像；

S2、对多光谱遥感卫星采集的遥感图像进行水体指数计算：

S3、构建包含水体指数和极化信息的多源遥感数据集(WIPI)；

S4、将步骤S3中的WIPI数据集以地区为单位，自定义比例随机划分为训练集、验证集和测试集；

S5、构建由无效区域屏蔽、数据归一化、数据标准化、数据增强和随机采样组成的水域分割网络的输入处理模块，对WIPI全数据集进行归一化和标准化预处理，并对其中的训练集和验证集进行数据增强；

S6、设计水体指数与极化信息多路径融合的水域分割深度网络模型；

S7、对水域分割模型进行训练；

S8、用步骤S5中的测试集对步骤S7中训练得到最优模型进行测试，利用F1系数、模型参数量和模型计算量对水域分割模型的分割性能和复杂度进行评估；

S9、对比不同融合结构的分割效果给出最佳融合方案。

2.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S2具体方法为：S201、波段选择：选择能够提供蓝色波段、绿色波段、红色波段、近红外、短波红外波段的多光谱遥感卫星图像；

S202、根据步骤S201选择波段的多光谱图像数据集计算水体指数，水体指数包括归一化水分指数(NDMI)、归一化植被指数(NDVI)、归一化差异水体指数(NDWI)、改进的归一化差异水体指数(MNDWI)、自动水体提取指数(AWEInsh及AWEIsh)和线性判别分析的水体指数(LDA)；

S203、将每一张多光谱图像计算出的多个水体指数，保存为一张与水体指数数量相同的通道数的图像，用于后续的水域分割工作。

3.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S3具体方法为：从步骤S1的SAR遥感卫星采集的图像中极化信息，将包含极化信息的SAR图像和步骤S203中计算出的水体指数组合成数据对，构建水体指数和极化信息数据集(WIPI)，用于后续分割模型的训练、验证和测试。

4.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S4具体方法为：首先，将采集自不同地区的WIPI数据集，按照地区分组；其次，每组按照自定义比例随机划分为训练集、验证集和测试集；最后，将分组划分后的训练集合并、验证集合并以及测试集合并，得到最终的划分结果。

5.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S5具体方法为：将步骤S4得到的数据图像，在输入水域分割模型之前进行数据预处理和数据增强操作，具体方法为：S501、生成无效区域掩膜：根据步骤S4得到每张图像的无效值像素位置，得到一张无效区域掩膜，根据无效区域掩膜对数据归一化和标准化处理，来屏蔽无效值像素点，去除无效区域的影响；

S502、数据归一化处理：按照通道维度方向，计算步骤S501处理后所有图像中相同通道的总体最大值和总体最小值，并利用得到的两个总体最大值和总体最小值指标对该通道的数据进行归一化，具体公式如下：其中： 表示第i张图像的第c个通道中的第j个像素值， 表示 归一化后的像素c c值，min为第c个通道层的像素最小值，max为第c个通道层的像素最大值；

S503、经过归一化后，所有图像中相同通道层分为一组，组内计算总体均值和总体方差，总体均值和总体方差的计算公式如下：c c

其中，Mean 表示第c个通道的像素均值，Std 表示第c个通道的像素标准差， 表示第i张图像的第c个通道的第j个像素值，N表示图像数量，M表示单张图像中的像素个数；

S504、数据标准化处理：对步骤S502得到的归一化后的数据X进行通道维度的标准化处理，标准化公式如下：其中， 表示标准化后的表示第i张图像的第c个通道中的第j个像素值；

S505、数据增强：对经过归一化和标准化处理后的数据，进行包括水平翻转、垂直翻转、随机角度(45°‑180°)逆时针旋转、添加随机噪声、增强对比度的数据增强，将训练数据和验证数据进行扩充；

S506、随机采样：对数据增强扩充的WIPI数据中的训练集和验证集进行随机采样出宽高为w×h的图像块,遍历每一张图像，从每一张图像中截取出[25,50]张图像块，其中，h大于等于32，小于图像的高，w大于等于32，小于图像的宽；

通过随机数函数生成两组数据X和Y，每组中包括[25,50]个数字，按照下标一一对应组合成待截取图像块的左上角坐标,在确定待截取图像块的左上角坐标和截取宽高后，便可以生成图像块,具体实现公式如下：其中，N为图像总个数，H为纵轴坐标数列，W为横轴坐标数列，Range(·)为数列生成函数，公式中可以生成指定范围内以[10，30]为步长的一个等差数列，RandomSample(·)为随机采样函数，从Range(·)生成的数列中，随机抽取出[25,50]个数字，[Hj,Wj]表示第j张图像块的左上角坐标，ImageBlocki,j表示第i张图像的第j张图像块。

6.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S6具体方法为：对原始的UNet算法进行改进，包括引入多路径多源数据融合编码器，利用GCT(Gated Channel Transform)注意力机制，构建多路径融合网络，具体包括如下步骤：S601、设计水体指数与极化信息多路径融合的遥感图像水域分割深度网络模型，该水域分割网络采用卷积网络结构，包括：一侧的多路径收缩网络是编码器，用于多模态特征提取；中间的跳跃连接结合GCT，用于对多路径特征进行通道加权，将加权后的特征输入至解码器；解码器处于网络的另一侧，作为扩张网络用于恢复图像尺寸和融合深层与浅层的特征；

S602、构建包含卷积层、批归一化层和ReLU非线性激活层的CBR(Convolution‑BatchNormalization‑ReLU水域分割网络)模块，编码器中的CBR模块，保持特征分辨率不变，通道数增加，解码器中的CBR模块，保持特征分辨率不变，通道数减少；

S603、构建包含卷积层、批归一化层和ReLU非线性激活层的分类器模块，用于将特征图的通道数降低为类别数，作为整个水域分割深度网络模型的输出结果；

S604、基于步骤S602的CBR模块和水域分割网络中的最大池化层构建水域分割网络的编码器模块，该模块是将CBR模块和最大池化层交替使用，形成一个多路径多尺度的收缩网络结构，该结构会对输入的多模态数据进行多路径逐层特征提取；编码器模块的每一层接收上一层的特征输入，产生的特征输出有两种去向：向下输入到最大池化层和横向输送到GCT模块；

S605、基于步骤S602的CBR模块和反卷积层构建水域分割网络的解码器模块，该模块是将CBR模块和反卷积层交替使用，形成一个多尺度深浅层特征融合的扩张网络结构，该结构通过跳跃连接接受来自编码器提取的多路径特征，将来自编码器的浅层特征与自身上一层提取的深层特征进行融合，并逐层扩大特征图的分辨率；

S606、根据SAR图像的极化信息和水体指数的个数，在WIPI数据集上对多路径编码器的输入路径个数进行设定；SAR图像的VV和VH两种极化信息作为一个输入路径，水体指数中的NDWI和MNDWI作为一个输入路径，AWEIsh和LDA作为一个输入路径，NDVI、NDMI和AWEInsh分别经由单独的输入路径输入到网络；

S607、多路径编码器接收不同模态数据的输入，并对其进行逐层次的提取特征，得到的中间特征；具体公式如下：其中，n表示编码器的第n层，p表示编码器的第p个路径， 表示编码器的第p个路径中的第n层的输入， 表示编码器的第p个路径中的第n层的输出特征，MP(·)表示2×2的最大池化操作；

然后，将不同路径但相同层的中间特征进行通道维度拼接，形成步骤S604中的编码器模块的每一层的输出特征，即拼接特征Fn，具体公式如下：其中，Fn是由编码器的第n层中所有路径输出特征的拼接而成；

S608、对多路径编码器的每一层输出特征进行GCT通道注意计算，GCTn中包括三组可学习参数：α、γ、β，可为第n层拼接特征Fn的每一个通道生成一个可学习参数；具体公式如下：GCE＝α×(L2Norm(Fn))

CSFn＝tanh(γ×(CN)+β)×Fn+Fn

其中，CSFn是第n层的通道选择特征(Channel Selection Feature)，L2Norm()是L2归一化函数，GCE是全局上下文嵌入(Global Context Embedding),CN是通道归一化(Channel Normlization)。

7.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S7具体方法为：S701、训练分割模型过程中，损失函数使用交叉熵损失函数

Llog(y,p)，定义为：

Llog(y,p)＝‑(ylog(p)+(1‑y)log(1‑p))

其中，y为标签，p为分割模型的预测概率；

S702、用经过步骤S5处理后的训练集和验证集对步骤S6中设计的模型进行训练，每次训练过程中，将验证集上F1系数最高的模型保存为最优模型。

8.根据权利要求1所述的水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，所述步骤S9具体方法如下：设计“多路径与单路经”、“多模态与单模态”、“水体指数与多光谱原始波段”三组实验，并利用步骤S5中的数据集和步骤S7中的方法对不同实验进行模型训练；最后，通过模型评估，得到最佳融合方案；具体步骤如下：S901、设计“多路径与单路径”的对比方案，将极化信息和水体指数分成多个路径输入到水域分割模型中，此时的编码器为“多路径编码器”；将极化信息和水体指数按照通道维度连接在一起，经由一个路径输入到水域分割模型中，此时的编码器为“单路经编码器”，分别训练出两个模型，对比在测试集上的预测结果；

S902、设计“多模态与单模态”的对比方案，需要分别训练出“仅使用极化信息”、“仅使用水体指数”和“使用两种数据”的模型，对比在测试集上的预测结果；

S903、设计“水体指数与多光谱原始波段”的对比方案，该方案不使用极化信息，并且采用“单路经编码器”，分别训练出两个模型，对比在测试集上的预测结果。

9.一种实现权利要求1至8任一项水体指数与极化信息多路径融合的遥感图像水域分割方法的分割系统，其特征在于：所述分割系统包括：数据集构建模块，用于从采集的遥感图像中提取出水体指数，并与SAR图像结合构建出用于完成本发明中的水域分割模型的训练、验证与测试任务的数据集；

数据输入处理模块，用于完成无效区域屏蔽、数据归一化、数据标准化、数据增强和随机采样任务；

多路径编码器模块，用于对输入的多模态数据进行多路径逐层特征提取；

通道加权跳跃连接模块，用于重新分配不同通道之间的权重，使模型更关注重要数据的通道；

解码器模块，用于将多路径编码器提取的多路径特征与自身上一层提取的深层特征进行融合，并逐层扩大特征图的分辨率；

分类器模块，用于将特征图的通道数降低为类别数，作为整个水域分割深度网络模型的输出结果。

10.一种实现权利要求1至8任一项水体指数与极化信息多路径融合的遥感图像水域分割方法的分割设备，其特征在于：所述分割设备包括：图像采集器，用于从不同地区洪水事件数据集中收集同区域且时间段相近的SAR遥感卫星和多光谱遥感卫星采集的图像；

程序处理器，用于存储计算机程序，并在执行所述计算机程序时实现步骤1至步骤9所述的水体指数与极化信息多路径融合的遥感图像水域分割方法。