1.基于Diffusion模型的极化SAR图像分类方法，其特征在于，包括：获取极化SAR数据，其中所述极化SAR数据包括极化SAR图像及对应的地物真实标记图；

基于极化SAR数据，通过数据遴选算法获取待增广数据集；

构建Diffusion数据增广模型，其中通过待增广训练集对所述Diffusion数据增广模型进行训练，并通过训练好的Diffusion数据增广模型生成伪数据；

基于所述待增广数据集及伪数据，重构生成增广数据集；

构建卷积神经网络，通过增广数据集对所述卷积神经网络进行训练，生成训练好的卷积神经网络；

通过训练好的卷积神经网络对待分类极化SAR图像对应的特征数据进行分类，生成待分类极化SAR图像的地物类别预测分类结果；

所述待增广数据集的获取过程包括：

根据所述极化SAR图像，获取极化SAR图像的复值特征矩阵，其中所述复值特征矩阵中包括每个像素的复值特征向量；

根据地物真实标记图，生成有标记数据，构建初始地表真值矩阵，根据有标记数据对初始地表真实矩阵进行像素级标签分类及标注，生成地表真值矩阵；

根据地表真值矩阵中的标注像素的坐标值，获取复值特征矩阵中对应坐标值下的复值特征向量作为第一复值特征向量，并将所述第一复值特征向量作为中心点，向四周分别选取若干个复值特征向量作为第二复值特征向量，将所述第一复值特征向量及第二复值特征向量组合成复值特征矩阵块，将所述复值特征矩阵块中的复值特征向量中的上三角元素进行实部及虚部分离，构成实值特征向量，基于实值特征向量，生成高维实值特征矩阵，根据高维实值特征矩阵中像素坐标，对地表真值矩阵进行分块，对所述分块后的地表真值矩阵，获取高维实值特征矩阵对应占比类别最多的地物类别作为标签信息，并筛选易混淆样本进行去除，对标签信息和高维实值特征矩阵块进行对应组合，生成待增广训练集；

所述极化SAR图像的复值特征矩阵的获取过程包括：

获取所述极化SAR图像的每个像素点的极化相干矩阵，计算每个像素点的极化相干矩阵矩阵中每个元素的均值及方差，根据所述均值及方差，对每个像素点的极化相干矩阵矩阵中每个元素进行归一化处理，生成每个像素点的复值特征向量，进一步生成极化SAR图像的复值特征矩阵。

2.根据权利要求1所述的方法，其特征在于：

通过训练好的Diffusion数据增广模型生成伪数据的过程包括：前向扩散过程及逆扩散过程；其中前向扩散过程包括：对时间步长、信噪比及噪声因子进行初始化，根据时间步长、信噪比及噪声因子对训练样本特征进行逐步的加噪处理，生成每一时间步下的训练样本特征矩阵序列；所述逆扩散过程包括：通过噪声预测模型对训练样本特征矩阵序列进行噪声预测，根据所述噪声预测结果对所述训练样本特征矩阵序列进行逐步的去噪处理，生成伪样本。

3.根据权利要求2所述的方法，其特征在于：

其中所述噪声预测模型包括依次连接的下采样模块、深度特征变换模块及上采样模块；

其中所述下采样模块包括四个依次连接的下采样子块，其中下采样子块包括依次连接的TimeEmbedding块、残差块、注意力块、残差块、第二注意力块和特征压缩块；

所述深度特征变换模块包含顺次级联的TimeEmbedding块、残差块、注意力块和残差块；

所述上采样模块包括四个依次连接的上采样子块，其中所述上采样子块包括依次连接的TimeEmbedding块、残差块、注意力块、残差块、注意力块、残差块、注意力块和特征还原块；

所述TimeEmbedding块包括第一线性层和第二线性层；

所述残差块包括第一结构，第一结构包括依次连接的分组归一化层、SiLU激活层及卷积层，其中第一结构的两端并联有依次连接的SiLU激活层及全连接层，并联后的结构后续连接有依次连接的分组归一化层、SiLU激活层、Dropout层、卷积层、分组归一化层、SiLU激活层、卷积层、分组归一化层、SiLU激活层、卷积层、LayerNorm层、线性连接层、线性连接层、线性连接层及LayerNorm层；

所述注意力块包括依次连接的分组归一化层、卷积层及卷积层；所述特征压缩块包括一层卷积层；所述特征还原块具体结构包含一层逆卷积层。

4.根据权利要求1所述的方法，其特征在于：

其中针对每个地物类别分别对应训练一个Diffusion数据增广模型以进行单独地物类别的伪数据生成。

5.根据权利要求3所述的方法，其特征在于：

所述噪声预测模块采用均方误差损失值和噪声分布匹配损失值加权和的总损失函数组作为损失函数，其中，根据训练过程中所述噪声预测结果与真实噪声计算损失函数，并根据损失函数对噪声预测模型的权重进行更新，直到损失函数收敛或训练次数到达阈值时，完成噪声预测模块的训练，其中，噪声分布匹配损失值采用精确特征分布匹配方法进行计算。

6.根据权利要求1所述的方法，其特征在于：

所述卷积神经网络包括依次连接的输入层、特征提取模块和Softmax分类器输出层；其中，所述特征提取模块包括浅层特征提取块和深层特征提取块，所述浅层特征提取块包括依次连接的卷积层、ReLU激活层、卷积层、ReLU激活层、卷积层、BN批归一化层和ReLU激活层；所述深层特征提取块包括依次连接的卷积层、BN批归一化层、ReLU激活层、卷积层、BN批归一化层、ReLU激活层、最大池化层、全局平均池化层和全连接层。

7.根据权利要求1所述的方法，其特征在于：

待分类极化SAR图像对应的特征数据采用对应的高维实值特征矩阵。