1.一种结合超分辨率技术的遥感图像语义分割方法，其特征在于，包括以下步骤：S1：遥感图像数据预处理；

S2：根据步骤S1处理后的图像数据制作用于低分辨率遥感图像分割任务的数据集；

S3：构建结合超分辨率技术的遥感图像语义分割模型；

S4：使用步骤S2中的数据集对步骤S3搭建的分割模型进行训练、优化和测试，并保存得到的最优模型结构和权重；

S5：将低分辨率遥感图像输入步骤S4得到的最优超分辨率模型中，最后生成高分辨率的图像分割结果;步骤S3包括以下步骤：

S31：多尺度特征编码器，编码器采用双路径结构：下采样路径和上采样路径；下采样路径采用残差自注意力块RSAB（Residual Self-Attention Block）；编码器中共有m个残差自注意力块RSAB，每个残差自注意力块RSAB以比例因子为2对特征图像进行下采样，并通过跳转连接将输出传递给解码器；上采样路径使用亚像素卷积以比例因子2对特征图进行两次上采样，为解码器中HR特征的处理提供了足够的低频信息；具体来说，在编码器中，输入的LR图像首先经过3×3卷积生成特征S32：超分辨率融合解码器，解码器由级联的超分辨率Transformer块SRTB（Super-Resolution Transformer）构成，利用超分辨率和分割任务在特征提取和处理方面的共性，SRTB在探索深层特征的语义信息的同时实现超分辨率解码；解码器由m+n个SRTB组成，m和n分别表示RSAB和亚像素卷积的数量；编码器中下采样路径的输出用作解码器的输入；同时，编码器中的特征通过跳转链接与解码器中相应大小的特征进行组合；具体来说，编码器的输出特征S33：多路径特征细化块，解码器结合了编码器提供的包含丰富低频信息的特征，它完成了深层语义信息的提取与高频特征的重构；通过矩阵加法简单地融合这些特征会降低分割精度；因此，设计多路径特征细化模块MFRB（Multi-path Feature Refinement Block）来使这些特征更有效地融合以提高分割精度；MFRB将输入的特征被分成四组，通过多尺度卷积和不同注意力机制处理，然后通过逐元素相乘以实现空间交互，最后自适应融合；具体来说，给定输入特征

2.根据权利要求1所述结合超分辨率技术的遥感图像语义分割方法，其特征在于，步骤S1包括以下步骤：S11：选用ISPRS Vaihingen数据集、ISPRS Potsdam数据集以及LoveDA数据集，通过人工筛选，剔除分辨率低，色彩偏差大的图像数据；

S12：将原数据集中的图像与标签切分成1024像素×1024像素的块重新组成新的数据集，按照8:2随机分配为训练集和测试集。

3.根据权利要求1所述结合超分辨率技术的遥感图像语义分割方法，其特征在于，步骤S2包括以下步骤：S21：将S12得到的数据集中的图像数据进行4倍和2倍的随机下采样，生成256像素×256像素的低分辨率LR数据集，LR图像作为模型的输入，原始图像作为高分辨率HR图像，标签不变；

S22：根据图像包含信息的丰富程度、超分辨率任务以及分割任务对训练数据的需求剔除步骤S21中不合格的样本；最后生成包含LR图像，HR图像以及标签的LR-HR数据集：LR-Vaihingen，LR-Potsdam，LR-LoveDA。

4.根据权利要求1所述结合超分辨率技术的遥感图像语义分割方法，其特征在于，步骤S4具体包括以下步骤：S41：设置各项训练参数并开始训练模型，其中批次大小设置为4；初始学习率设置为0.001；模型内部通道数为64；输入图像尺寸为3通道，256×256像素；总训练轮数为1000，每50轮验证一次并保存模型权重；

S42：构建用于模型反向传播的基于交叉熵的损失函数；每个像素对应的损失函数为：得到的损失值用于参数的迭代更新；

S43：验证和测试模型效果使用平均F1分数mF1和平均交并集mIoU；mIoU计算公式为S44：对比验证得到的评估结果，如果此次得到的评估结果最高则将此轮模型权重保存为最优权重；

S45：通过Adam优化算法更新网络的参数；循环上述步骤，迭代模型直到完成训练次数，最后输出最优模型权重。

5.根据权利要求1所述结合超分辨率技术的遥感图像语义分割方法，其特征在于，步骤S5包括以下步骤：S51：将步骤S4中保存的最优权重加载到步骤S3搭建的超分辨率分割模型中；

S52：将低分辨率遥感图像输入模型中生成高分辨率可视化分割结果图。