1.一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，包括以下步骤：

步骤1，输入待分类的极化SAR图像，利用精致极化Lee滤波对极化SAR图像进行预处理；

步骤2，将步骤1处理后的极化SAR图像基于Cloude‑Pottier分解、极化相干矩阵、极化协方差矩阵、香农熵、雷达植被指数、Freeman‑Durden分解和Yamaguchi分解的方式对极化SAR图像进行特征分解，将其组成完备的极化SAR数据高维特征；

步骤3，将注意力机制应用到DeeplabV3+网络中，搭建基于DeeplabV3+和通道注意力模块ECA‑Net的网络结构，命名为ECA_Deeplab，然后随机初始化权重；

步骤4，根据步骤2得到的极化SAR数据高维特征，利用注意力机制模块ECA‑Net对特征进行重新配置权重；

步骤5，根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理；

步骤6，将步骤5处理过的归一化后的图像进行切块处理；以每个有标记的像素点为中心，取其周围大小为128×128的图像块为代表的像素点，最后加起来得到M个图像块；

步骤7，根据步骤6得到的M个图像块，分别从M个图像块的每个类别中随机选取部分

20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；

步骤8，用步骤7中划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，如果效果不理想则进行再次训练，直到模型分类的准确率达到预期，即可投入使用；对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。

2.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2的具体步骤为：步骤2.1，利用Cloude‑Pottier分解得到3维特征：极化熵H、平均散射角α和各向异性度A；

步骤2.2，基于极化数据提取的极化SAR图像的8维特征；

步骤2.3，基于H/A/α特征值参数提取的极化SAR图像的5维特征；

步骤2.4，基于Freeman‑Durden分解得到极化SAR图像的3维特征，分别为表面散射功率、二次散射功率和体散射功率；

步骤2.5，基于Yamaguchi分解得到极化SAR图像的4维特征，它是四种散射机制的模型，除了表面散射、二次散射和体散射分量外，还包括螺旋体散射分量。

3.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.1中，极化熵(polarimetric entropy)H公式定义为：其中，Pk对应于由特征值λk获得的伪概率，N为对数的底数,Pk定义为：其中，N为通道数，N＝3；极化相干矩阵T分解得到多个特征值和特征向量，λk是第k个特征值，λj是第j个特征值，Pk为λk的归一化结果；

极化各向异性度A可定义为：

其中，λ1>λ2>λ3>0，λ2是第二个特征值，λ3是第三个特征值，由于特征值的旋转不变的，因此极化各向异性度A也是旋转不变参数。

平均散射角α定义为：

α＝P1α1+P2α2+P3α3    (4)α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素。

4.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.2中，八维特征的提取方法分别为：a)极化相干T矩阵的3维特征：

{T11，T22，T33}   (5)其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33为相干矩阵T中的元素，相干矩阵T的表达式如下所示；

b)极化协方差C矩阵的3维特征：{C11，C22，C33}    (7)其中，极化协方差矩阵C可以由极化相干矩阵T转换得到，C11、C22、C33为极化协方差矩阵C中的元素，极化协方差矩阵C的表达式如下所示；

c)SPAN图的2维特征，包括极化相干矩阵T和极化协方差矩阵C的SPAN图，SPAN图为极化SAR系统测量的散射总功率图，在大部分情况下可将其定义为：

2 2 2

span＝|Shh|+2|Shv|+|Svv|    (9)其中，span为散射矩阵S的各元素的功率之和。

5.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.3中，五维特征的提取方法分别为：a)基于SERD和DERD参数的3维特征，相应的平均相干矩阵T3如下所示：在这一情况下，可以推导出相应的特征值的表达式，如下所示：第一个和第二个特征值与同极化后向散射系数有关，还与垂直和水平通道之间的相关系数有关；关系式 总是成立的。第三个特征值对应于交叉极化通道，并与粗糙表面的多次散射有关。

b)利用香农熵得到1维特征，香农熵SE由强度(SE1)和极化(SEP)相关的两分量之和，可定义为：

3 3

SE＝log(πe|T3|)＝SE1+SEP     (14)其中，SE1为与总后向散射功率相关的强度分量，SEP为与Barakat极化度pT相关的极化分量，这两项的表达式如下；

c)基于雷达植被指数特征值提取的极化SAR图像的1维特征，Van Zyl采用了随机指向的介质圆柱体模型分析植被区散射，应用随机方向的圆柱电介质模型对普通形状的植被电磁散射进行了模拟，通过分析植被区域电磁散射具有极化特性，提出雷达植被指数为：其中，λ1、λ2、λ3为极化相干矩阵T3的特征值，且λ1>λ2>λ3。

6.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.4中，三维特征的提取方法为：Freeman分解将协方差矩阵C分解为三种散射矩阵：[C3]＝fSCS+fDCD+fVCV   (18)其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fS、fD、fV分别为CS、CD、CV对应的系数；

表面散射功率、二次散射功率、体散射功率分别为PS、PD、PV：其中，α是二次散射的参数，β是表面散射的参数。

7.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.5中，四维特征的提取方法为：Yamaguchi分解将协方差矩阵C分解为四种散射矩阵：

[C3]＝fSCS+fDCD+fVCV+fHCH    (20)对应于表面散射，二次散射，体散射和螺旋体散射的散射功率PS、PD、PV、PH分别为：得到的总散射功率Span为：

2 2 2

Span＝|SHH|+2|SHV|+|SVV|＝PS+PD+PV+PH    (22)。

8.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤3具体为：

步骤3.1，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeeplabV3+网络的结构，DeeplabV3+的网络结构主要分为两个部分：编码区和解码区，编码区提取图像的深度特征信息，编码区有两个模块，对原始图像进行特征提取的深度卷积神经网络DCNN、带有空洞卷积的空间金字塔池化模块ASPP，ASPP作用是进一步优化DCNN提取的深度特征图的作用；解码区将深度特征图上采样，并与浅层特征图特征融合，利用浅层特征对上采样不能恢复的位置信息进行优化，得到语义分割预测结果；

步骤3.2，在DeeplabV3+网络中，引入ECA通道注意力模块，将通道注意力优化模块置于解码区的特征融合之前，在DeeplabV3+网络的卷积层中的最后一层加入注意力机制，对通道信息进行建模，进行语义分割网络的优化，先将特征图进行全局平均池化，然后加入两个全连接层，使用Sigmoid进行输出，将结果对位相乘加权到之前的特征通道上，得到每个通道的特征信息；其中ECA‑Net通道模块是一个轻量级的网络，该模块避免了降维，有效捕获了跨通道交互的信息；在不降低维数的通道级全局平均池化之后，ECA通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息；ECA‑Net中利用如下矩阵Wk来学习通道注意力：Wk包含k*c个参数，它避免了不同通道之间完全独立，考虑了不同通道之间的相互所用，让所有的通道共享权重信息，计算公式如下：该方法可以通过卷积核大小为K的一维卷积来实现通道之间的信息交互：ω＝σ(C1Dk(y))      (25)其中C1D代表一维卷积，这种方法称之为ECA模块。通过ECA模块得到各特征的通道权重，然后在解码区网络输入特征图的特征通道权重分配并与DeeplabV3+原始网络保持一致，从而得到特征融合网络ECA_Deeplab，其中将深层特征和浅层特征的通道权重分配比为

7:3。

9.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤4具体为：

步骤4.1，采用ECA‑Net通道注意力机制的方法来计算每个通道特征的权重，这个权重表现了该通道特征的重要程度，然后通过特征与权重对应相乘的方法来对每个通道的特征重配权重，从而使得网络实现关注重要的特征同时抑制不重要的特征的功能；

步骤4.2，计算特征对应权重的具体操作是：首先对上一步输出的特征进行全局平均池化，得到一个1×1×C的实数数列，然后经过一个自适应选择的k个卷积核来获得通道之间的信息交互，来计算每个通道特征的权重；通道维度C和卷积核大小k成正比，采用非线性函数，且卷积核数量设为2的k次方，公式如下：(γ*k‑b)

C＝φ(k)＝2      (26)给定通道维数C，那么卷积核大小k尺寸为：其中，|t|odd表示t的最接近奇数。另外在实验中，所有的γ和b分别设置为2和1。

10.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤5具体为：

根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理，也称为离差标准化，使结果映射到[0,1]之间，归一化公式如下：利用该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。