1.一种基于W散度对抗网络的遥感图像语义分割方法，其特征在于，所述方法包括：步骤1：建立遥感图像数据集；

步骤11：将高分辨率遥感图像和对应二值图标签均匀地切割成适应计算资源的尺寸的子图像，筛选掉目标和背景像素点数量不均衡的样本；

步骤12：将切割后的所述子图像按照设定比例分成训练集和验证集，保证训练集和验证集不重叠同分布；

步骤2：建立遥感图像语义分割模型，所述语义分割模型包括生成器网络和判别器网络；

步骤3：训练所述遥感图像语义分割模型，具体包括：

步骤31：将所述训练集中待分割的RGB遥感图像和对应二值图标签配对，依次将一组RGB遥感图像和对应二值图标签输入到所述生成器网络的输入层，随机裁剪为生成器卷积网络额定输入尺寸，并进行位置对齐；

步骤32：生成器卷积栈对输入的待分割RGB遥感图像进行特征提取，完成特征提取后输出第一预测分割图；

步骤33：对比所述第一预测分割图和二值图标签，统计预测分布的L1损失，数学表达式如下：其中， 表示L1距离损失，y表示二值图标签，G(x)表示预测分割图， 表示一次迭代的平均损失；

步骤34：将生成器生成的所述第一预测分割图和对应的所述待分割RGB遥感图像堆叠，同时将二值图标签和所述待分割RGB遥感图像堆叠，将两组堆叠数据依次输入判别器网络中，完成判别并输出所述第一预测分割图和所述二值图标签的Wasserstein散度，Wasserstein散度的数学表达式如下：其中， 表示Wasserstein散度损失，x表示待分割RGB遥感图像，y表示二值图标签，G(·)表示生成器网络输出，D(·)表示判别器网络输出，k、p分别为正则项的系数和指数；

步骤35：将Wasserstein散度作为判别器损失函数，通过梯度下降反向传播，更新判别器权重向量一次；

步骤36：将Wasserstein散度多项式中的生成器损失项取反再和L1损失加权求和作为*生成器损失函数，通过梯度下降反向传播，更新生成器权重向量一次，最优生成器G的数学描述为：其中，λ表示权重参数；

步骤37：重复步骤31至步骤36，直到所述训练集所有样本都参与一次训练；

步骤38：重复步骤31至步骤37，直到迭代次数达到上限；

步骤39：模型预训练完成，保存预训练模型；

步骤4：测试所述遥感图像语义分割模型。

2.如权利要求1所述的遥感图像语义分割方法，其特征在于，所述步骤2具体包括：步骤21：建立基于U‑net架构的生成器网络，包含一个输入层和一个卷积栈，所述生成器网络用于生成第一预测分割图；

步骤22：建立基于FCN架构的判别器网络，包含一个卷积栈，所述判别器网络用于计算生成器所生成的预测分割图的wasserstein散度损失；

步骤23：对生成器网络和判别器网络权重向量进行初始化。

3.如权利要求1所述的遥感图像语义分割方法，其特征在于，测试所述遥感图像语义分割模型的方法包括：步骤41：将所述验证集中的待分割RGB遥感图像输入预训练模型生成器网络中，得到第二预分割图像；

步骤42：将所述待分割RGB遥感图像对应的二值图标签输入到生成器网络，通过对比所述第二预分割图像和二值图标签的差异性计算验证集的分割精度，差异量化选用DICE相似性系数和IoU交并比参数来定量估计；

步骤43：若验证集的分割精度未达到设定值，执行步骤2至步骤4来调整参数提高分割精度。