1.一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，包括以下步骤：

11)基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作：获取源域遥感卫星影像以及目标域遥感卫星影像，对源域遥感卫星影像和目标域遥感卫星影像以及源域遥感卫星影像的标签数据进行裁剪，所述标签数据为类别标签，将标签数据的像素值归一化为0到类别数，得到处理后的源域遥感卫星影像和目标域遥感卫星影像以及源域遥感卫星影像的标签数据；

12)构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型，包括以下步骤：(1)构建基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的具体步骤如下：(1‑1)构建用于域判别的语义级域判别器，其域判别器结构包括一个卷积核大小为

3×3和stride为1的卷积层，一个LeakyRelu层；

(1‑2)构建用于域判别的熵级域判别器，其域判别器结构包括一个卷积核大小为3×3和stride为2的卷积层，一个LeakyRelu层；

(1‑3)构建用于特征提取的编码器结构，其结构包括一个普通卷积层，一个实例归一化层，一个LeakyReLu层，一个最大池化层；

(1‑4)构建用于恢复分辨率的解码器结构，其结构包括一个普通卷积层，一个实例归一化层，一个LeakyReLu层，一个倍数为2的上采样；

(1‑5)构建用于使用低层特征为高层特征补充细节信息的跳跃连接结构；

(2)训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的具体步骤如下：(2‑1)将预处理后的源域遥感卫星影像以及标签数据输入基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型中，训练一个有监督的源域分割模型；包括：(2‑2)执行一次卷积核大小为1×1的普通卷积，执行一次编码器结构，得到5个下采样输出；执行一次卷积核大小为3×3的普通卷积，一次实例归一化，一次LeakyReLu线性激活，一次最大池化，得到第一个下采样输出；

对第一个下采样输出执行一次卷积核大小为3×3的普通卷积，一次实例归一化，一次LeakyReLu线性激活，一次最大池化，得到第二个下采样输出；

对第二个下采样输出执行一次卷积核大小为3×3的普通卷积，一次实例归一化，一次LeakyReLu线性激活，一次最大池化，得到第三个下采样输出；

对第三个下采样输出执行一次卷积核大小为3×3的普通卷积，一次实例归一化，一次LeakyReLu线性激活，一次最大池化，得到第四个下采样输出；

对第四个下采样输出执行一次卷积核大小为3×3的普通卷积，一次实例归一化，一次LeakyReLu线性激活，一次最大池化，得到第五个下采样输出；

(2‑3)对第五个下采样输出执行一次卷积核大小为1×1的普通卷积改变其通道数；

(2‑4)执行解码器，其中解码器的各路径输出如下；

第一条路径对编码器的第一个下采样输出执行一次卷积核大小为1×1的普通卷积，得到第一条路径的输出；

第二条路径对编码器的第二个下采样输出执行一次卷积核大小为1×1的普通卷积，得到第二条路径的输出；

第三条路径对编码器的第三个下采样输出执行一次卷积核大小为1×1的普通卷积，得到第三条路径的输出；

第四条路径对编码器的第四个下采样输出执行一次卷积核大小为1×1的普通卷积，得到第四条路径的输出；

第五条路径对编码器的第五个下采样输出执行一次卷积核大小为1×1的普通卷积，得到第五条路径的输出；

(2‑5)将五条路径的输出结果进行上采样恢复图像的分辨率；

(2‑6)将编码器的第五个下采样输出与解码器的第一条路径的输出进行拼接；

执行一次卷积核大小为3×3的普通卷积、一次实例归一化、一次LeakyReLu线性激活和一次倍数为2的上采样；

(2‑7)将编码器的第四个下采样输出与解码器的第二条路径的输出进行拼接；

执行一次卷积核大小为3×3的普通卷积、一次实例归一化、一次LeakyReLu线性激活和一次倍数为2的上采样；

(2‑8)将编码器的第三个下采样输出与解码器的第三条路径的输出进行拼接；

执行一次卷积核大小为3×3的普通卷积、一次实例归一化、一次LeakyReLu线性激活和一次倍数为2的上采样；

(2‑9)将编码器的第二个下采样输出与解码器的第四条路径的输出进行拼接,执行一次卷积核大小为1×1的普通卷积，执行一次上采样，将尺寸扩大二倍作为第一个特征图输出；

同时将上述编码器的第二个下采样输出与解码器的第四条路径的输出进行拼接的结果执行一次卷积核大小为3×3的普通卷积、一次实例归一化、一次LeakyReLu线性激活和一次倍数为2的上采样；

(2‑10)将编码器的第一个输出与第五条路径的输出进行拼接；

执行一次卷积核大小为3×3的普通卷积、一次实例归一化、一次LeakyReLu线性激活和一次倍数为2的上采样，作为第二个特征图输出；

(2‑11)正向传播，得到分割概率；

(2‑12)使用交叉熵损失函数作为基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的损失函数对分割概率进行计算得到分割损失；

(2‑13)通过分割损失反向传播确定梯度向量，更新基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型参数；

(2‑14)使用二元交叉熵损失函数作为熵级域判别器的损失函数对源域遥感卫星影像和目标域遥感卫星影像的判别结果进行计算得到对抗损失；

(2‑15)用有监督的源域分割模型对目标域遥感卫星影像进行预测输出，用分割预测的熵映射来表示目标域遥感卫星影像的每个影像块的不确定性，对其不确定性值从小到大排序，前百分之五十为容易域自适应的目标域遥感卫星影像，后百分之五十为难以域自适应的目标域遥感卫星影像，获取容易域自适应的目标域遥感卫星影像和其预测图作为伪标签，并获取难以域自适应的目标域遥感卫星影像；

(2‑16)先忽略难以域自适应的目标域遥感卫星影像，把容易域自适应的目标域遥感卫星影像当作输入，将其和源域遥感卫星影像以及源域遥感卫星影像的标签数据输入到基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型中训练；

(2‑17)通过正向传播，得到分割概率；

(2‑18)使用交叉熵损失函数作为基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的损失函数对分割概率进行计算得到分割损失，使用二元交叉熵损失函数作为语义级域判别器的损失函数，对得到的分割图计算对抗损失；

(2‑19)通过分割损失和对抗损失的反向传播，确定梯度向量，更新基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型参数；

(2‑20)重复上述过程直到设定次数或误差损失的平均值不再下降，训练完成，得到容易域自适应的目标域分割模型；

(2‑21)用容易域自适应的目标域分割模型重新预测目标域遥感卫星影像，用分割预测的熵映射来表示目标域遥感卫星影像的每个影像块的不确定性，对其不确定性值从小到大排序，前百分之五十为容易域自适应的目标域遥感卫星影像，后百分之五十为难以域自适应的目标域遥感卫星影像，获取到第二次的容易域自适应的目标域遥感卫星影像和其预测图作为伪标签，并获取第二次的难以域自适应的目标域遥感卫星影像；

(2‑22)把第二次的容易域自适应的目标域遥感卫星影像以及其预测图加入到源域训练集中去，目标域为第二次的难以域自适应的目标域遥感卫星影像；

(2‑23)将源域训练集和第二次的难以域自适应的目标域遥感卫星影像输入到基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型中训练；

(2‑24)通过正向传播，得到分割概率；

(2‑25)使用交叉熵损失函数作为基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的损失函数对分割概率进行计算得到分割损失，使用二元交叉熵损失函数作为语义级域判别器的对抗损失函数，对得到的分割图计算对抗损失；

(2‑26)反向传播确定梯度向量，更新模型参数；

(2‑27)判断是否达到设定的次数，若是则得到最终的基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型，否则继续训练；

13)对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证：将未标记的目标域遥感卫星影像输入到训练好的基于伪标签生成的从局部到全局的域自适应网络模型中进行模型测试并得到目标域影像地物语义分割结果。

2.根据权利要求1所述的一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，其特征在于，所述基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作包括以下步骤：

21)读取原始Tif格式的源域遥感卫星影像以及目标域遥感卫星影像；对源域遥感卫星影像以及目标域遥感卫星影像进行不重叠的连续裁剪，生成多个256×256像素的固定大小影像块，以便于输入到基于伪标签生成的从局部到全局的域自适应网络模型中，将原始Tif格式的源域遥感卫星影像以及目标域遥感卫星影像导出为.jpg格式；

22)对上述处理好的影像块进行筛选，去除标记有误的影像块。

3.根据权利要求1所述的种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，其特征在于，所述对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证包括以下步骤：

31)读取目标域遥感卫星影像，把目标域遥感卫星影像输出为.jpg格式；

32)将目标域遥感卫星影像进行不重叠的连续裁剪，生成多个256×256像素的固定大小影像块，以便于输入到基于伪标签生成的从局部到全局的域自适应网络模型中进行模型验证；

33)将预处理后的目标域遥感卫星影像输入到训练好的基于伪标签生成的从局部到全局的域自适应网络模型中进行地物语义分割；

34)得到分割好的域自适应的遥感卫星影像地物分割图。