1.一种基于深度学习的遥感图像不透水面提取方法，其特征在于，包括以下步骤：获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；

将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型；

获取目标遥感图像，将所述目标遥感图像输入所述遥感图像不透水面提取模型，得到不透水面提取图。

2.根据权利要求1所述的方法，其特征在于，所述将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：在transformer分支中，使用CNN‑Transformer混合结构代替单一的transformer，送入transformer layer进行处理；

在transformer layer中，将传统的Vit Block重复12次；

通过卷积操作将transformer layer的输出特征图恢复到H×W×C。

3.根据权利要求1或2所述的方法，其特征在于，所述将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：在UNet分支中，加入coordinate attention机制，具体包括在UNet的每两个解码块之间加入坐标注意力模块；最终输出H×W×C；

将所述transformer分支与所述UNet分支的输出融合后送入分割层得到不透水面提取图。

4.根据权利要求1所述的方法，其特征在于，通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型，包括：所述不透水面遥感图像提取模型的输入表示为：

5.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型，还包括：引入混合损失函数对所述遥感图像不透水面提取模型进行优化，公式如下：Ltotal＝αLDice+βLBCE，

LBCE＝‑(true×log(pred+(1‑true)×log(1‑pred)))，其中，α，β是平衡因子。

6.一种基于深度学习的遥感图像不透水面提取装置，其特征在于，包括以下模块：获取模块，用于获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；

训练模块，用于将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型；

提取模块，用于获取目标遥感图像，将所述目标遥感图像输入所述遥感图像不透水面提取模型，得到不透水面提取图。

7.根据权利要求6所述的装置，其特征在于，所述训练模块，还用于在transformer分支中，使用CNN‑Transformer混合结构代替单一的transformer，送入transformer layer进行处理；

在transformer layer中，将传统的Vit Block重复12次；

通过卷积操作将transformer layer的输出特征图恢复到H×W×C；

在UNet分支中，加入coordinate attention机制，具体包括在UNet的每两个解码块之间加入坐标注意力模块；最终输出H×W×C；

将所述transformer分支与所述UNet分支的输出融合后送入分割层处理得到不透水面提取图。

8.根据权利要求6所述的装置，其特征在于，所述训练模块，还用于：引入混合损失函数对所述不透水面遥感图像提取模型进行优化。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1‑5中任一所述的基于深度学习的遥感图像不透水面提取方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑5任意一项所述的基于深度学习的遥感图像不透水面提取方法。