1.一种基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，包括：

获取待分类极化SAR图像和对应的地物真实标记图；

对待分类极化SAR图像进行预处理，并计算得到预处理后的极化SAR图像各个像素点的极化相干矩阵；并对极化相干矩阵进行归一化，得到归一化后的极化相干矩阵；

从归一化后的极化相干矩阵中提取每个像素点的特征向量，并根据所有像素点的特征向量集合构造待分类极化SAR图像的特征矩阵；

根据地物真实标记图和待分类极化SAR图像的特征矩阵，构造训练数据集和测试数据集；

构建深度语义拓扑融合网络模型；

利用训练数据集对深度语义拓扑融合网络模型进行训练，得到训练好的深度语义拓扑融合网络模型；

利用训练好的深度语义拓扑融合网络模型对测试数据集中的待分类极化SAR图像进行分类，得到待分类极化SAR图像的分类结果；

其中，深度语义拓扑融合网络模型包含输入层、语义信息提取模块、拓扑信息提取模块、特征融合模块和Softmax分类器输出层；输入层的输出端与语义信息提取模块的输入端级联，语义信息提取模块的输出端与拓扑信息提取模块的输入端级联，语义信息提取模块的输出端和拓扑信息提取模块的输出端分别与特征融合模块的输入端级联，特征融合模块的输出端与Softmax分类器输出层级联；

语义信息提取模块包含CNN子网络和全局池化层，CNN子网络的输出端与全局平均池化层级联；其中，CNN子网络包含顺次级联的第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层和第三激活层；

拓扑信息提取模块包含GraphSAGE子网络，GraphSAGE子网络包含顺次级联的第一GraphSAGE层和第二GraphSAGE层。

2.根据权利要求1所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，特征融合模块包含顺序级联的第一并联层和第一全连接层。

3.根据权利要求2所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，利用训练数据集对深度语义拓扑融合网络模型进行训练，得到训练好的深度语义拓扑融合网络模型，具体包括：根据每个卷积层中所有滤波器的权重、每个GraphSAGE层的权重和每个全连接层的权重，建立权重参数集，并利用He权重初始化方法对权重参数集进行初始化；

从训练数据集中随机且有放回选择K组标记数据，得到批次训练样本标记集合；根据批次训练样本标记集合的训练样本特征建立批次集合，并将批次集合输入至输入层；利用语义信息提取模块对批次集合进行语义特征提取，得到语义特征集合；利用拓扑信息提取模块对语义特征集合进行拓扑特征提取，得到拓扑特征集合；利用特征融合模块对语义特征集合和拓扑特征集合进行融合特征提取，得到融合特征集合；利用Softmax分类器输出层对融合特征集合进行分类预测，得到预测标签集合；

根据与批次集合对应的批次训练样本标记集合和预测标签集合对权重参数集进行调整，得到训练好的深度语义拓扑融合网络模型。

4.根据权利要求3所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，根据与批次集合对应的批次训练样本标记集合和预测标签集合对权重参数集进行调整，得到训练好的深度语义拓扑融合网络模型，具体包括：根据与批次集合对应的批次训练样本标记集合和预测标签集合，使用交叉熵损失函数计算损失函数值；根据损失函数值，判断交叉熵损失函数是否收敛；

若是，则停止训练；否则，调整权重参数集，并进行下一次训练，直至交叉熵损失函数收敛或者训练次数达到预设训练次数阈值。

5.根据权利要求4所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，调整权重参数集，具体包括：求取损失函数值对权重参数集中每一权重参数的偏导；根据梯度下降法和偏导以反向传播方式更新权重参数，得到更新后的权重参数；根据所有更新后的权重参数建立更新权重参数集。

6.根据权利要求1‑5任意一项所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，利用训练好的深度语义拓扑融合网络模型对测试数据集中的待分类极化SAR图像进行分类，得到待分类极化SAR图像的分类结果，具体包括：将测试数据集中的测试样本特征输入至训练好的深度语义拓扑融合网络模型的输入层；利用语义信息提取模块对测试样本特征进行语义特征提取得到语义特征；利用拓扑信息提取模块对语义特征进行拓扑特征提取，得到拓扑特征；利用融合模块对语义特征和拓扑特征进行融合特征提取，得到融合特征；利用Softmax分类器输出层对融合特征进行分类预测，得到待分类极化SAR图像的分类结果。

7.根据权利要求1所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，对待分类极化SAR图像进行预处理，并计算得到预处理后的极化SAR图像各个像素点的极化相干矩阵，并对极化相干矩阵进行归一化，得到归一化后的极化相干矩阵，具体包括：将预处理后的待分类极化SAR图像中每个像素点用3×3的极化相干矩阵表示；根据每个像素点的极化相干矩阵，分别计算每个像素点的极化相干矩阵中每个元素的平均值和方差值；根据每个像素点的极化相干矩阵中每个元素及每个元素的平均值和方差值，计算每个像素点的极化相干矩阵中每个元素的归一化值；根据每个像素点的极化相干矩阵中每个元素的归一化值，计算每个像素点的极化相干矩阵的归一化值；根据每个像素点的极化相干矩阵的归一化值，得到待分类极化SAR图像的归一化后的极化相干矩阵。

8.根据权利要求1所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，从归一化后的极化相干矩阵中提取每个像素点的特征向量，并根据所有像素点的特征向量集合建立待分类极化SAR图像的特征矩阵，具体包括：根据每个像素点的归一化后的极化相干矩阵，选取其上三角的6个元素构成该像素点的9维特征向量；根据每个像素点的9维特征向量，构造待分类极化SAR图像的特征矩阵。

9.根据权利要求1所述的基于深度语义拓扑融合网络的极化SAR图像分类方法，其特征在于，根据地物真实标记图和待分类极化SAR图像的特征矩阵，构造训练数据集和测试数据集，具体包括：根据地物真实标记图，从每个地物类别中分别随机选取10％的有标记数据作为训练样本标记集，剩余的90％有标记数据作为测试样本标记集；

根据训练样本标记集中每个训练样本在地物真实标记图中的坐标值，找到特征矩阵中该坐标位置对应的第一特征值向量；以第一特征值向量为中心点，在上、下、左、右四个方向分别选取多个第二特征值向量，并将第一特征值向量与其四个方向所选的第二特征值向量组成第一特征矩阵块，作为对应训练样本的训练样本特征；将所有训练样本的训练样本特征集合构成训练样本特征集，并将训练样本标记集与训练样本特征集的元素成对组合构成训练数据集；

根据测试样本标记集中每个测试样本在地物真实标记图中的坐标位置，找到特征矩阵中该坐标位置对应的第三特征值向量；以第三特征值向量为中心点，在上、下、左、右四个方向分别选取多个第四特征值向量，将第三特征值向量与其四个方向所选的第四特征值向量组成第二特征矩阵块，作为对应测试样本的测试样本特征；将所有测试样本的测试样本特征集合构成测试样本特征集，并将测试样本标记集与测试样本特征集的元素成对组合构成测试数据集。