1.一种基于创新边缘特征提取的遥感图像显著性检测方法，其特征在于包括以下步骤：

步骤(1).深度特征的提取，具体方法如下：首先构建编码器结构，编码器根据ResNet34构建，并在最后添加Basicblock用于更好地提取特征；

步骤(2).边缘特征的获得，具体方法如下：解码器部分共有两个分支，分别为显著性信息提取分支与显著性边缘信息提取分支；

显著性边缘信息提取分支使用U‑Net的结构来提取边缘特征，与显著性信息提取分支平行；

将编码器最后一层输出的特征输入解码器的显著性边缘信息提取分支，显著性边缘信息提取分支由五个卷积块构成；每个卷积块由三个卷积层组成，每个卷积层分别为膨胀率为2的膨胀卷积以及两个简单的卷积层(卷积核尺寸均为3×3，步长为1)；在显著性边缘信息提取分支的各部分对得到的信息进行监督，最后得到效果最好的边缘特征，其过程可表示为：

Fe1＝Conv(F5)   (1)Fei＝Conv(C(F6‑i,UP(C(Fei‑1,F7‑i))))(i＝2,3,4,5)   (2)其中：Conv表示由三个卷积层构成的卷积块，F5表示编码器部分最后一层输出的特征，Fe1表示显著性边缘信息提取分支第一层获得的边缘特征；Fei表示显著性边缘信息提取分支第i层提取的边缘特征，F6‑i表示当前显著性边缘信息提取分支对应的编码器提取得到的特征，UP表示双线性插值的上采样，C表示结合操作，Fe(i‑1)表示上一层提取得到的边缘特征，F7‑i表示上一层示显著性边缘信息提取分对应的编码器提取得到的特征；

步骤(3).显著特征的提取，同样采用U‑Net的结构，具体方法如下：通过U型网络以及跳线连接得到显著信息，显著性信息提取分支由五个卷积块组成，每一个卷积块由三个卷积层组成；第一个卷积层为膨胀率为2的膨胀卷积，其余的两层为普通的卷积层(卷积核尺寸均为3×3，步长为1)；卷积块之间有双线性插值的上采样操作；每一层的信息经过卷积块的提取过后，通过上采样传递到下一层进行提取；对每一层提取得到的信息都有加入监督机制，以提高最后获得的显著图的质量，其过程可表示为：Fl1＝Conv(F5)   (3)Fli＝Conv(UP(C(Fl(i‑1),F6‑i)))(i＝2,3,4,5)   (4)其中：Conv表示由三个卷积层构成的卷积块，F5表示编码器部分最后一层输出的特征，Fl1表示解码器中显著性信息提取分支第一层获得的显著特征；Fli表示显著性信息提取分支第i层提取获得的显著特征，UP表示双线性插值的上采样操作，C表示结合操作，Fl(i‑1)表示上一层获得的显著特征，F6‑i表示当前显著性信息提取分支对应的编码器的层提取得到的信息；

步骤(4).最终的输出为融合了显著性信息与显著边缘信息的显著性预测图，融合具体方法如下：

最终将两个并行部分提取得到的显著性信息与显著边缘信息，通过一个卷积层对两种不同的信息进行融合(卷积核尺寸为3×3，步长为1)，之后将融合得到的信息通过一个卷积层转换为单通道输出(卷积核尺寸为1×1，步长为1)，其过程可描述为：Out＝Convo(Convf(C(Fl,Fe)))   (5)其中：Out表示最后输出的显著性预测图，Convo表示用于转换通道数的卷积层，Convf表示用于融合信息的卷积层，C表示结合操作，Fl与Fe分别表示两个分支获得的显著性信息与显著边缘信息。

2.根据权利要求1所述的一种基于创新边缘特征提取的遥感图像显著性检测方法,其特征在于使用了一种新的边缘提取方式，并将其与显著性信息相融合，用于提高遥感图像显著性检测的质量,解码器部分共有两个分支，分别为显著性信息提取分支与显著性边缘信息提取分支，每个分支含有五个卷积块，共15个卷积层；每个卷积块的第一个卷积层为膨胀率为2的膨胀卷积，其余为普通卷积层，所有的卷积层卷积核大小设置为3×3，步幅大小为1。

3.根据权利要求1所述的一种基于创新边缘特征提取的遥感图像显著性检测方法，其特征在于训练时，图像尺寸被统一调整为224×224，批处理大小为8；训练过程当中，采用交叉熵损失函数作为我们的损失函数，利用Adam优化器对网络当中的参数进行更新，基本学习率为1e‑4。