تواجه تقنيات تقسيم الصور عالية الوضوح الصعوبة في استخراج الميزات بشكل كامل وتحديد الحواف بشكل غير واضح وتفويت الأهداف الصغيرة. وتقدم هذه الدراسة طريقة جديدة لتقسيم صور الاستشعار عن بُعد عالية الوضوح مستندة إلى تصحيح مستطيلي شامل، وذلك من خلال بناء شبكة تصحيح مستطيلية شاملة (شبكة تصحيح مستطيلية شاملة Omnidirectional Rectangular Calibration Network، ORCNet). أولاً، تم تصميم موديل الفضاء الحالي لمصحح المستطيلات الشاملة (Omnidirectional Rectangular Calibration State Space Module, ORSM)، من خلال المسح الثماني الاتجاهات والمعايرة الحساسة للوزن الهندسي، مما يعزز التكيف الهندسي للميزات وقدرة الحفاظ على الأهداف. بعد ذلك، تم بناء موديل الدمج المختلط للتصفية المتكملة للانتباه (Complementary Filtering Hybrid Attention Fusion Module, CFHAF) لدمج آلية الانتباه على مستوى القناة والمساحة والبكسل، مما يتيح دمج تكيفي للميزات متعددة المقاييس ويرفع الوعي الدلالي. وأخيراً، تم تحسين تقنية تكبير النقاط الديناميكية (Dynamic Point Upsampling, DySample) لتحسين قدرة استعادة تفاصيل الحدود، مع دمج وظيفة الخسارة المختلطة Focal-Dice لتحسين التدريب. أظهرت النتائج التجريبية أن ORCNet حققت F1score بنسبة 84.64% وmIoU بنسبة 77.07% على مجموعة بيانات Massachusetts buildings. وعلى مجموعة deepglobe-road-dataset، حققت F1score بنسبة 85.32% مقارنةً بـ RSMamba بزيادة 3.51% خلال العملية. أثبتت هذه الطريقة بنجاح التغلب على المشاكل القائمة في تقسيم الاستشعار عن بُعد، وتتمتع بدقة عالية واستقرار قوي وإمكانيات تطبيق عملية ممتازة.

تقسيم صور الاستشعار عن بُعد; تصحيح مستطيلي ذاتي; النموذج الحالي للفضاء; الدمج متعدد المقاييس للميزات; تحسين تفاصيل الحافة; تكبير النقاط الديناميكية