Ante los desafíos de la extracción incompleta de características, los bordes borrosos y la omisión de pequeños objetivos en la segmentación de imágenes de teledetección de alta resolución, se propone un método de segmentación detallada de imágenes de teledetección de alta resolución basado en la calibración rectangular omnidireccional (Red de Calibración Rectangular Omnidireccional, ORCNet). En primer lugar, se diseñó un módulo de espacio de estado de calibración rectangular omnidireccional (Módulo de Espacio de Estado de Calibración Rectangular Omnidireccional, ORSM) para mejorar la adaptabilidad geométrica de las características y la capacidad de retención de objetivos mediante escaneo de ocho direcciones y calibración de peso geométricamente sensible. Luego, se construyó un módulo de fusión de atención híbrida complementaria de filtrado (Módulo de Fusión de Atención Híbrida de Filtrado Complementario, CFHAF) para fusionar mecanismos de atención en niveles de canal, espacio y píxel, permitiendo una fusión adaptable de características a múltiples escalas y aumentando la percepción semántica. Finalmente, se optimizó la técnica de aumento dinámico de puntos (Dynamic Point Upsampling, DySample) para mejorar la capacidad de recuperación de detalles de bordes, combinada con una formación optimizada con la función de pérdida mixta Focal-Dice. Los resultados experimentales mostraron que ORCNet alcanza un F1score del 84.64% y un mIoU del 77.07% en el conjunto de datos Massachusetts buildings, y un F1score del 85.32% en el conjunto de datos deepglobe-road-dataset, superando en un 3.51% a los resultados de RSMamba. Este método supera con éxito los problemas de segmentación de teledetección, ofreciendo alta precisión, gran estabilidad y excelente potencial de aplicación práctica.

Segmentación de imágenes de teledetección; Calibración rectangular autocorrectiva; Módulo de espacio de estado; Fusión adaptable de características a múltiples escalas; Optimización de detalles de bordes; Aumento dinámico de puntos