1.一种极化SAR图像分类方法，其特征在于，包括：

获取极化数据集；其中，极化数据集包括极化SAR图像和对应的地物真实标记图；根据极化数据集构建锚定样本训练集和正样本对数据集；

构建残差神经网络模型；

利用正样本对数据集对残差神经网络模型进行第一阶段训练，得到通过第一阶段训练的中间残差神经网络模型；利用极化数据集和锚定样本训练集对中间残差神经网络模型进行第二阶段训练，得到通过第二阶段训练的残差神经网络模型；利用通过第二阶段训练的残差神经网络模型对待分类极化SAR图像进行聚类，得到极化SAR图像聚类结果；利用匈牙利匹配算法将极化SAR图像聚类结果映射至真实标签，得到映射结果；根据映射结果，生成分类结果图；

其中，根据极化数据构建锚定样本训练集和正样本对数据集，具体包括：

根据极化SAR图像，得到极化SAR图像的复值特征矩阵；其中，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，并根据有标记数据对初始地表真值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；将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；对地表真值矩阵中的像素级标签分类及标注信息和高维实值特征矩阵块进行对应组合，构成锚定样本训练集；

对锚定样本训练集进行随机数据增强，生成与锚定样本训练集的锚定样本语义一致的正样本，并将锚定样本与其对应的正样本组合构成正样本对；将所有的正样本对组合形成正样本对数据集。

2.根据权利要求1所述的极化SAR图像分类方法，其特征在于，残差神经网络模型包括输入层、残差层、全局平均池化层和聚类头；其中，输入层包含第一卷积层和第一批归一化层，第一卷积层输入特征通道数为9，与样本实值特征矩阵相同，输出特征数据的特征映射图数目为64，第一卷积层中的卷积滤波器的大小为3×3，填充为1，移动步幅为1；

其中，残差层包含4个残差结构层级，每个层级均包括若干残差块，每个残差块均包含两个卷积层和一个快捷连接层；其中，全局平均池化层用于使用自适应平均池化将特征图的空间维度压缩为1×1且输出特征维度为512；其中，聚类头用于使用一个线性层将512维特征映射到n维空间，以得到每个样本属于n个聚类类别的概率分布。

3.根据权利要求2所述的极化SAR图像分类方法，其特征在于，4个残差结构层级依次分别为layer1、layer2、layer3和layer4；其中，layer1包含第一残差块和第二残差块，两个残差块输入和输出通道数均为64，第一残差块包括第二卷积层、第三卷积层和第二批归一化层，第二残差块包括第四卷积层、第五卷积层和第三批归一化层，第二、第三、第四、第五卷积层中的卷积滤波器的大小均为3×3，填充均为1，移动步幅均为1，无下采样操作；

layer2包含第三残差块和第四残差块，第三残差块用于将通道数从64扩展到128，第三残差块包括第六卷积层、第七卷积层和第四批归一化层，第六卷积层和第七卷积层中的卷积滤波器的大小为3×3，填充为1，移动步幅为1，无下采样操作；同时通过第一快捷连接层将layar1的输出与layer2的输出进行通道数匹配并求和作为layer3的输入；第一快捷连接层包含第八卷积层卷和第五批归一化层，第八卷积层输入特征通道数为64，输出特征数据的特征映射图数目为128，第八卷积层卷中的卷积滤波器的大小为1×1，无填充，移动步幅为1；第四残差块保持通道数为128，第四残差块包括第九卷积层、第十卷积层和第六批归一化层，第九卷积层和十卷积层中的卷积滤波器的大小为3×3，填充为1，移动步幅为1，无下采样操作；

layer3包括第五残差块和第六残差块；第五残差块将通道数从128扩展到256，第五残差块包括第十一卷积层、第十二卷积层及第七批归一化层，第十一卷积层中的卷积滤波器的大小为3×3，填充为1，移动步幅为2，以进行下采样操作，第十二卷积层中的卷积滤波器的大小为3×3，填充为1，移动步幅为1；同时通过第二快捷连接层将layar2输出与layer3的输出进行通道数匹配并求和作为layer4的输入；第二快捷连接层包含第十三卷积层卷及第八批归一化层，第十三卷积层的输入特征通道数为128、输出特征数据的特征映射图数目为

256且卷积滤波器的大小为1×1，无填充，移动步幅为1；第六残差块保持通道数为256，第六残差块包括第十四卷积层、第十五卷积层及第九批归一化层，第十四卷积层和第十五卷积层的卷积滤波器的大小均为3×3且填充为1、移动步幅为1，无下采样操作；

layer4包括第七残差块和第八残差块，第七残差块将通道数从128扩展到256，第七残差块包含第十六卷积层、第十七卷积层及第十批归一化层，第十六卷积层和第十七卷积层中的卷积层滤波器的大小均为3×3，填充为1，移动步幅为1；同时通过第三快捷连接层将layar3的输出与layer4的输出进行通道数匹配并求和作为最终输出；第三快捷连接层包含第十八卷积层卷及第十一批归一化层，第十八卷积层的输入特征通道数为128且输出特征数据的特征映射图数目为256，卷积滤波器的大小为1×1，无填充，移动步幅为1；第八残差块保持通道数为256，第八残差块包括第十九卷积层、第二十卷积层及第十一归一化层，第十九卷积层和第二十卷积层中的卷积滤波器的大小均为3×3，填充为1，移动步幅为1，无下采样操作。

4.根据权利要求1所述的极化SAR图像分类方法，其特征在于，利用正样本对数据集对残差神经网络模型进行第一阶段训练，得到通过第一阶段训练的中间残差神经网络模型，具体包括：将正样本对数据集输入残差神经网络模型中，得到锚定样本特征及其正样本特征；根据锚定样本特征及其正样本特征，计算得到锚定样本与正样本之间的特征相似性，并根据锚定样本与正样本之间的特征相似性，计算得到锚定样本与正样本之间的对比损失；

根据锚定样本与正样本之间的对比损失，并通过反向传播算法重复优化残差神经网络模型的参数，直到残差神经网络模型收敛或达到预设的训练轮次；将收敛或达到预设的训练轮次的残差神经网络模型作为通过第一阶段训练的中间残差神经网络模型。

5.根据权利要求1所述的极化SAR图像分类方法，其特征在于，利用极化数据和锚定样本训练集对中间残差神经网络模型进行第二阶段训练，得到通过第二阶段训练的残差神经网络模型，具体包括：根据极化数据集，得到Pauli图像集；利用超像素分割算法对Pauli图像集中每个Pauli图像进行分割，得到超像素块集；其中，超像素块集包含多个超像素块，每个超像素块包括多个像素点坐标以及对应的超像素块索引信息；根据超像素块索引信息和锚定样本数据集中的每个锚定样本的中心像素点的坐标，确定每个锚定样本所属的超像素块；以每个锚定样本所属的超像素块的所有非边缘区域像素为中心，取出与锚定样本大小相同的样本块集作为该锚定样本的最近邻样本集群的样本候选集；将每个锚定样本对应的候选集中的样本输入中间残差神经网络模型中，得到每个锚定样本的最近邻样本集群的候选特征库；将每个锚定样本输入中间残差神经网络模型得到锚定特征；为每个锚定样本计算其锚定特征与候选特征库内的所有特征张量之间的欧式距离；根据欧式距离，为每个锚定样本选择距离最近的K个最近邻样本；将为每个锚定样本选择的K个最近邻样本组合形成每个锚定样本的最近邻样本集群；

根据每个锚定样本的最近邻样本集群，计算得到集群特征对比损失和软分配对比损失；根据集群特征对比损失和软分配对比损失构建总损失函数；根据集群特征对比损失和软分配对比损失，并通过反向传播算法优化中间残差神经网络模型的参数，直至中间残差神经网络模型收敛或达到预设优化次数；将收敛或达到预设优化次数的中间残差神经网络模型作为通过第二阶段训练的残差神经网络模型。

6.根据权利要求5所述的极化SAR图像分类方法，其特征在于，第二阶段训练的总损失为 ；

式中， 表示总损失， 表示软分配损失， 表示集群特征对比损失， 表示权重系数；

；

式中， 表示第i个锚定样本 和其的最近邻样本集群 中的

任意最近邻样本构成的正样本对， 表示最近邻样本集群， 表示不属于第i个锚定样本 的最近邻样本集群的任意样本，即 的负样本， 表示正样本对 经过残差神经网络模型的特征表示， 表示负样本对 经过残差神经网络模型的特征表示，表示温度系数；

；

式中， 表示锚定样本总数， 表示每个最近邻样本集群中的最近邻样本的数量，表示锚定样本 的特征表示 经过softmax层输出的预测向量， 表示锚定样本 的最近邻样本集群 中的任意最近邻样本 特征表示 经过softmax层输出的预测向量，表示点积运算符， 表示样本 被分配给聚类类别 的概率，表示某个聚类类别， 表示聚类类别集合， 表示熵项 的权重系数。

7.一种极化SAR图像分类系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1‑6中任意一项所述的极化SAR图像分类方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑6中任意一项所述的极化SAR图像分类方法的步骤。

9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑6中任意一项所述的极化SAR图像分类方法的步骤。