1.基于双通道编码网络和条件随机场的遥感图像分类方法，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，进行预处理；

步骤2，将预处理后极化SAR图像的T矩阵展开成9维的列向量归一化后得到列向量特征；同时将预处理后极化SAR图像的T矩阵进行三种目标分解方法得到的9维物理散射特征，归一化后获得目标分解特征；

步骤3，建立基于双通道的FCN网络，所述双通道的FCN网络包括一路FCN网络和二路FCN网络，将步骤2得到的列向量特征和目标分解特征分别输入一路FCN网络和二路FCN网络进行训练分别得到极化相干特征图和极化分解特征图；

步骤4，将所述极化相干特征图和极化分解特征图进行逐像素叠加，从而实现特征融合后进行反卷积的上采样操作，经过一维卷积和Softmax函数后得到PolSAR的初始分类结果；

步骤5，构建CRF的能量函数，将步骤4处理后的FCN网络的初始分类概率作为的CRF能量函数中的一元势，将步骤4融合后的特征向量输入到CRF能量函数中，作为CRF能量函数中的二元势；并在CRF能量函数中增加边缘惩罚函数来平衡边界信息的比重，得到CRF修正的能量函数；

步骤6，对初始分类结果的每一个像素块通过CRF修正的能量函数进行修正，获得最终的PolSAR图像预测分类结果。

2.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤1中采用的预处理方法为精制极化Lee滤波。

3.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤2中获取列向量特征的步骤为：将相干T矩阵中的9维矩阵元素来表示每个像素的特征向量，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，表达式如下所示；

因此，处理后的极化SAR数据中第i个像素点的特征向量Ii可以表示为：

其中，特征向量中复数的实数部分用real表示，复数的虚数部分用imag表示，T矩阵的第i行第j列数据表示为Tij；将Ii矩阵中的各元素进行展开，则特征维数D＝9，由于Ii中每一个值都很小，因此将数据分别归一化到了[0,1]之间。

4.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤2中的三种目标分解方法包括对PolSAR的相干T矩阵分别进行Pauli分解、Freeman分解和Cloude分解。

5.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，步骤3中所述一路FCN网络为Wishart复矩阵子网络，所述二路FCN网络为多特征编码子网络；

所述Wishart复矩阵子网络包括依次连接的Wishart网络层、传统卷积层，大池化层；

Wishart卷积网络层中，对于输入的原始数据T，进行Wishart距离计算；并采用的Wishart卷积核，将Wishart卷积转化为线性运算，Wishart卷积定义为：h(Ii)＝sigm(W'Ii+b)    (3)

其中，sigm(·)为sigmoid函数，Ii表示第i个像素点的T矩阵列向量，W为3×3的卷积核，初始化为初始聚类中心，为方便计算，将其向量化为9维列向量，卷积核个数定为聚类中心个数C；初始化为：b＝[ln(||),ln(||),...,ln(||)]'    (4)b为偏置，h表示隐层输出，T1为第一个像素的T矩阵，T2为第二个像素的T矩阵，TC为第C个像素的T矩阵；每个卷积核输出一个极化SAR像素点到聚类中心的Wishart距离映射；

多特征编码子网络采用三层空洞卷积来完成多尺度的特征学习，其中卷积核大小为，三层卷积的空洞率分别为1，2，4，之后通过的最大池化层来完成下采样，得到多尺度特征图。

6.如权利要求5所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤4具体为：在所述一路FCN网络和二路FCN网络的输出通过逐像素相加后连接一个解码层，所述解码层包括依次连接的三层反卷积操作，将每一层反卷积操作输出均连接1×1的卷积层，卷积层输出与Softmax函数连接；

n n

将极化相干特征图x1∈R与极化分解特征图x2∈R通过上述网络结构经过3次卷积之后通过逐像素相加的方式进行特征融合将其作为解码层的输入，解码层使用了三层反卷积操作，将每一层的特征图与编码层的大小一一对应，最后通过1×1的卷积核进行通道降维，并通过Softmax函数得到整幅图像的初始分类结果。

7.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤5具体为：步骤5.1，构建CRF的能量函数：

PolSAR图像中的全部标签变量形成随机场F＝{Fi:i＝1,2,…,K}，K代表像素的总数，PolSAR图像中某一像素点的类别标签用Fi表示；与此同时，变量T＝{Ti:i＝1,2,…,K}构成另一组随机场，PolSAR图像中像素点的颜色特征向量由Ti表示，则相应的条件随机场(F,T)表示为：其中，Z(T)表示条件概率中的归一化函数，E(F|T)表示极化SAR伪彩图中颜色特征向量随机场为T和标签随机场F的势能函数，由于伪彩图中像素点分布T不变，因此将E(F|T)简化为E(F)，则对应的条件随机场能量函数表示为：其中，一元势函数ψm(fi)＝‑logP(fi)，用来表示来自FCN网络粗分类的输出结果，ψn(fi,fj)为两个随机变量(fi,fj)的二元势函数，表示两个相对敏感的纹理核函数和平滑核函数的加权和，公式表示如下：上式中μ(fi,fj)表示标签的兼容性函数，某一像素的位置向量以及颜色特征向量分别用L和Z表示；其中纹理核函数中的θα来控制像素之间的位置接近程度，θβ用来控制颜色相近的像素具有一致分类的尺度，但是在本文的分类算法用深度学习提取的特征来代替像素中的颜色，这样使得网络具有更好的分类能力；平滑核函数中的θγ表示控制像素的位置信息，用于惩罚孤立的小区域或者噪声点；

步骤5.2，在步骤5.1中CRF能量函数的基础上增加边缘惩罚函数来平衡边界信息的比重，其表达式如下：

2 2

s(ei,ej)＝exp(‑(ei‑ej) /c            (8)

像素i，j的边缘强度用ei和ej来表示，c为归一化的常数来平衡边界惩罚的比重；如果ei和ej越接近，则s(ei,ej)接近1，否则s(ei,ej)接近0；即可以根据该项惩罚函数来决定强、弱边界的惩罚大小；结合(6)和(8)，得到的CRF修正的能量函数表达式为：

8.如权利要求1所述的基于双通道编码网络和条件随机场的遥感图像分类方法，其特征在于，所述步骤6的具体步骤为：采用步骤5得到的CRF修正的能量函数对初始分类结果的每一个像素块重新进行修正，得到训练好的数据模型；利用该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，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，获得最终的PolSAR图像预测分类结果。