1.一种小样本遥感图像水体信息提取方法，其特征在于，包括：对原始图像进行预处理，图像预处理方法依次包含：灰度化、灰度变化、降噪和边缘提取；

通过边缘评估指标选择预处理图像输入边缘提取算子，得到丰富语义信息的边缘图像；

构造双流神经网络模型，将经过大型源域ImageNet数据集预训练学习丰富语义信息的模型参数迁移至双流骨架网络，使所述双流骨架网络具备知识先验；

通过调整双流神经网络模型的模型超参数，选择优化器与损失函数，提高训练模型的训练精度；

将具有丰富语义信息的边缘图像，与原始图像作为输入项，且通过边缘语义，优化水体提取边界；

所述灰度化包括：

对原始图片中的图像经过RGB模型处理，生成用RGB数据代表的图像；

对RGB数据图像进行灰度化得到灰度图像；

所述灰度变化包括：

对所述灰度图像进行线性变换，得到线性灰度图像；所述线性变换的线性公式中截距的取值范围由所述灰度图像的灰度均值确定；

所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，所述斜率关系模型为所述线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型；遍历线性变换的线性公式中的所述线性斜率和所述截距，最终获取效果最好的灰度线性变化的效果图；

所述边缘提取算子包括：

根据水体信息的特征，定义图像内水体信息的边缘密度为：;其中，M表示图像的长度，N表示图像的宽度， 表示边缘图像中像素点（x,y）的值， =1表示边缘， =0表示背景，定义每个像素点的边缘密度为：;其中G为边缘图像的大小；

采用边缘提取算子对边缘图像进行边缘提取后，得到的边缘图像，设置边缘图像的边缘密度为 ，为了增强边缘提取算子的性能，通过平均梯度和信息熵作为评价指标，所述平均梯度定义公式为：；其中， 为图像的平均梯度，

为图像中像素点（x,y）的灰度值， 和 分别是关于 的x方向和y方向的两阶差分值，根据公式可知，平均梯度越大时，图像边缘越容易分辨；

所述信息熵定义公式为：

；其中， 为信息熵，信息熵越大，说明图像包含的边缘信息越多。

2.根据权利要求1所述的小样本遥感图像水体信息提取方法，其特征在于，所述线性公式为：；其中， 是线性变化后灰度图像的第 个像素点的灰度值， 是线性变化前灰度图像的第 个像素点的灰度值，是线性公式中的线性斜率，是截距；

线性公式中线性斜率 影响线性灰度变换后图像的对比度，截距 影响线性灰度变换后图像的亮度，也即影响线性变换后图像的灰度，图像对比度越大，该图像的灰度直方图对应的直方曲线图的曲线斜率越小；图像对比度越小，该图像的灰度直方图对应的直方曲线图的曲线斜率越大，而线性斜率 的取值影响图像的对比度，线性斜率 越大，图像的对比度越大，则图像的灰度直方图所对应的直方曲线图的曲线斜率就越小；因为不同灰度图像的线性斜率 的取值范围不同，将线性斜率的取值范围进行归一化，以应对不同灰度图像的线性斜率 的取值范围的需要，归一化后的线性斜率：；其中， 为线性斜率首次缩放后的取值范围内的最大线性斜率， 的取值范围为 ；

曲线斜率和归一化后的线性斜率的值成反比，归一化后的线性斜率越大，曲线斜率越小；归一化后的线性斜率越小，曲线斜率越大，建立斜率关系模型，该斜率关系模型为线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型，该斜率关系模型为：；其中， 为归一化的线性斜率， 为线性灰度图像的灰度直方图对应的直方曲线图的曲线斜率。

3.根据权利要求1所述的小样本遥感图像水体信息提取方法，其特征在于，所述通过调整双流神经网络模型的模型超参数，选择优化器与损失函数，提高训练模型的训练精度，提高训练模型的训练精度步骤中，所述训练模型包括：VGG16网络模型，利用VGG16网络模型对边缘图像进行特征提取，得到维度为H×W×C的空间特征，记为 ，其中，H为空间特征的高度，W为空间特征的宽度，C为空间特征的通道数；对空间特征从全局信息和多尺度空间信息进行不同尺度信息提取，在与原空间特征 进行拼接，得到融合后的多尺度池化特征，记为；对特征 进行全局平均池化操作，获取全局特征 ，其中，全局特征 的第n个分量的计算方式为：；其中 表示特征 位置的标量值；

全局特征 在经过全连接层后，得到特征 ，

；w、b分别代表全连接层的权重参数和偏置项；

采用Sigmoid函数将全连接层的输出 进行归一化处理，得到每张原始图像中每个标签属于当前图像的概率集合 ，最终得到原始图像的多标签分类后的类别标签。