1.一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述方法用于执行步骤S1到步骤S3，获得交叉注意力机制融合网络进行干涉相位解缠，包括：

步骤S1，基于高斯函数根据真实干涉相位图生成干涉缠绕相位图数据集，各干涉缠绕相位图数据集及对应的真实干涉相位图构成干涉相位数据集；

步骤S2，构建基于多尺度池化的交叉注意力机制融合网络结构，包括输入层、第一卷积层、最大池化层、第一深度可分离卷积单元、第二深度可分离卷积单元、第三深度可分离卷积单元、第一批归一化和线性激活组合层、通道注意力模块、第一残差单元、第二残差单元、第三残差单元、第四残差单元、基于交叉注意力机制的融合模块、第二卷积层、第三卷积层、第二批归一化和线性激活组合层、第四卷积层、第三批归一化和线性激活组合层、上采样层、第五卷积层和输出层；每个残差单元中包括各残差模块，输入通道注意力模块的通道数低于第四残差单元中各残差模块的通道数；其中，基于交叉注意力机制的融合模块包括第一融合输入层、第二融合输入层、第一平均池化层、第二平均池化层、第三平均池化层、第一融合卷积层、第二融合卷积层、第三融合卷积层、第四融合卷积层、第一融合上采样层、第二融合上采样层、第三融合上采样层、第四融合上采样层、交叉注意力模块、第一融合批归一化和线性激活组合层、第二融合批归一化和线性激活组合层、第三融合批归一化和线性激活组合层、融合拼接层、融合批归一化层、交叉相加融合层、融合线性激活层和融合输出层，其中第一融合输入层的第一条支路作为交叉注意力模块的第一个输入端，第一融合输入层的第二条支路连接第一融合上采样层，第一融合上采样层分别连接四条支路，第一融合上采样层的第一条支路直接作为融合拼接层的第一个输入端；第一融合上采样层的第二条支路依次连接第一平均池化层、第一融合卷积层、第一融合批归一化和线性激活组合层、第二融合上采样层，作为融合拼接层的第二个输入端；第一融合上采样层的第三条支路依次连接第二平均池化层、第二融合卷积层、第二融合批归一化和线性激活组合层、第三融合上采样层，作为融合拼接层的第三个输入端；第一融合上采样层的第四条支路依次连接第三平均池化层、第三融合卷积层、第三融合批归一化和线性激活组合层、第四融合上采样层，作为融合拼接层的第四个输入端；融合拼接层的输出端依次连接第四融合卷积层和融合批归一化层，作为交叉相加融合层的第一个输入端；第二融合输入层直接作为交叉注意力模块的第二个输入端，交叉注意力模块的输出端作为交叉相加融合层的第二个输入端，交叉相加融合层的输出端连接融合线性激活层，融合线性激活层的输出端连接融合输出层，并通过融合输出层将基于交叉注意力机制的融合模块的结果进行输出；

步骤S3，将干涉相位数据集划分为训练数据集、验证数据集和测试数据集，并将训练数据集输入交叉注意力机制融合网络结构进行训练，通过对比交叉注意力机制融合网络结构输出的各干涉缠绕相位图数据集对应的干涉相位解缠图与干涉相位数据集中各干涉缠绕相位图数据集对应的真实干涉相位图进行迭代，得到以干涉缠绕相位图数据集为输入、对应的干涉相位解缠图数据集为输出的交叉注意力机制融合网络；并将验证数据集输入至交叉注意力机制融合网络进行验证，将测试数据集输入至交叉注意力机制融合网络获得预测的干涉相位解缠结果。

2.根据权利要求1所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中输入层自输入至输出依次与第一卷积层、最大池化层连接后分为第一条支路和第二条支路，其中第一条支路自输入至输出依次连接第一残差单元、第二残差单元、第三残差单元、第四残差单元，第四残差单元的输出端连接基于交叉注意力机制的融合模块的第一个输入端；第二条支路自输入至输出依次连接第一深度可分离卷积单元、第二深度可分离卷积单元、第三深度可分离卷积单元、第一批归一化和线性激活组合层、通道注意力模块，通道注意力模块的输出端连接基于交叉注意力机制的融合模块的第二个输入端，基于交叉注意力机制的融合模块自输入至输出依次连接第二卷积层、第三卷积层、第二批归一化和线性激活组合层、第四卷积层、第三批归一化和线性激活组合层、上采样层、第五卷积层和输出层。

3.根据权利要求2所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中第一残差单元自输入至输出方向依次包括第一残差模块、第二残差模块，其中第一残差模块的输入端即为第一残差单元的输入端，与最大池化层的输出端相连，第二残差模块的输出端即为第一残差单元的输出端，与第二残差单元的输入端相连；

第二残差单元自输入至输出方向依次包括第三残差模块、第四残差模块、第五残差模块，其中第三残差模块的输入端即为第二残差单元的输入端，与第一残差单元的输出端相连，第五残差模块的输出端即为第二残差单元的输出端，与第三残差单元的输入端相连；第三残差单元自输入至输出方向依次包括第六残差模块、第七残差模块、第八残差模块、第九残差模块、第十残差模块，其中第六残差模块的输入端即为第三残差单元的输入端，与第二残差单元的输出端相连，第十残差模块的输出端即为第三残差单元的输出端，与第四残差单元的输入端相连；第四残差单元自输入至输出方向依次包括第十一残差模块、第十二残差模块、第十三残差模块，其中第十一残差模块的输入端即为第四残差单元的输入端，与第三残差单元的输出端相连，第十三残差模块的输出端即为第四残差单元的输出端，与基于交叉注意力机制的融合模块的第一个输入端相连。

4.根据权利要求3所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中各残差单元中的各残差模块包括输入层、第一残差卷积层、残差批归一化和线性激活组合层、第二残差卷积层、第一残差批归一化层、残差相加融合层、残差线性激活层、判断块、第三残差卷积层、第二残差批归一化层、输出层，输入层作为残差模块的输入端，分别与判断块、第一残差卷积层的输入端相连，第一残差卷积层、残差批归一化和线性激活组合层、第二残差卷积层、第一残差批归一化层依次连接，判断块、第三残差卷积层、第二残差批归一化层依次连接，第一残差批归一化层和第二残差批归一化层的输出端与残差相加融合层的输入端相连，残差相加融合层、残差线性激活层、残差模块的输出层依次连接，输出层作为残差模块的输出端；其中各残差单元中的各残差模块的输入步长不为1的情况下，残差模块的输入层分别与第三残差卷积层和第一残差卷积层相连，第一残差卷积层的支路依次连接残差批归一化和线性激活组合层、第二残差卷积层、第一残差批归一化层，作为残差相加融合层的第一个输入端，第三残差卷积层的支路连接第二残差批归一化层，作为残差相加融合层的第二个输入端，残差相加融合层的输出端连接残差线性激活层，通过残差模块的输出层进行残差模块结果输出；当各残差模块的输入步长为1的情况下，残差模块的输入层分别连接残差相加融合层作为残差相加融合层的第一个输入端和第一残差卷积层，第一残差卷积层的支路依次连接残差批归一化和线性激活组合层、第二残差卷积层、第一残差批归一化层，作为残差相加融合层的第二个输入端，残差相加融合层的输出连接残差线性激活层，通过残差模块的输出层进行残差模块结果输出。

5.根据权利要求1所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中第一深度可分离卷积单元自输入至输出方向依次包括第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层，其中第一深度可分离卷积层的输入端即为第一深度可分离卷积单元的输入端，与最大池化层的输出端相连，第三深度可分离卷积层的输出端即为第一深度可分离卷积单元的输出端，与第二深度可分离卷积单元的输入端相连。

6.根据权利要求5所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中第二深度可分离卷积单元自输入至输出方向依次包括第六卷积层、第四深度可分离卷积层、第五深度可分离卷积层、第六深度可分离卷积层，其中第六卷积层的输入端即为第二深度可分离卷积单元的输入端，与第一深度可分离卷积单元的输出端相连，第六深度可分离卷积层的输出端即为第二深度可分离卷积单元的输出端，与第三深度可分离卷积单元的输入端相连；第三深度可分离卷积单元自输入至输出方向依次包括第七卷积层、第七深度可分离卷积层、第八深度可分离卷积层、第九深度可分离卷积层，其中第七卷积层的输入端即为第三深度可分离卷积单元的输入端，与第二深度可分离卷积单元的输出端相连，第九深度可分离卷积层的输出端即为第三深度可分离卷积单元的输出端，与第一批归一化和线性激活组合层的输入端相连。

7.根据权利要求1所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中通道注意力模块包括输入层、全局平均池化层、第一通道注意力全连接层、第二通道注意力全连接层、线性激活函数层、第三通道注意力全连接层、通道注意力sigmoid函数层、通道注意力相乘融合层、通道注意力相加融合层和输出层，通道注意力模块的输入层第一条支路通过全局平均池化层、第一通道注意力全连接层、第二通道注意力全连接层的第一条支路、线性激活函数层、第三通道注意力全连接层、通道注意力sigmoid函数层，通道注意力sigmoid函数层的输出端作为通道注意力相乘融合层的第一个输入端，通道注意力相乘融合层的输出端作为通道注意力相加融合层的第一个输入端，通道注意力模块的输入层第二条支路作为通道注意力相加融合层的第二个输入端，第二通道注意力全连接层的第二条支路作为通道注意力相乘融合层的第二个输入端，通道注意力相加融合层的输出端连接通道注意力模块的输出层。

8.根据权利要求1所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S2中交叉注意力模块包括第一交叉全连接层、第二交叉全连接层、第三交叉全连接层、第一交叉卷积层、第二交叉卷积层、第三交叉卷积层、第四交叉卷积层、第一形变层、第二形变层、第三形变层、相减层、交叉sigmoid函数层、强化层、转置层、计算层、交叉拼接层、实例归一化层、交叉上采样层，第一融合输入层的第一条支路作为交叉注意力模块的第一个输入端，第二融合输入层直接作为交叉注意力模块的第二个输入端，其中交叉注意力模块的第一个输入端分为三条支路，交叉注意力模块的第一个输入端的第一条支路依次连接第一交叉全连接层和第一形变层，作为计算层的第一个输入端；交叉注意力模块的第一个输入端的第二条支路连接第一交叉卷积层并作为强化层的第一个输入端；交叉注意力模块的第一个输入端的第三条支路作为相减层的第一个输入端；交叉注意力模块的第二个输入端分为四条支路，交叉注意力模块的第二个输入端的第一条支路作为相减层的第二个输入端，交叉注意力模块的第二个输入端的第二条支路连接第三交叉卷积层，作为强化层的第二个输入端；交叉注意力模块的第二个输入端的第三条支路依次连接第二交叉全连接层、第二形变层，作为计算层的第二个输入端；交叉注意力模块的第二个输入端的第四条支路作为交叉拼接层的第一个输入端；相减层的输出端依次连接第二交叉卷积层、交叉sigmoid函数层，并作为强化层的第三个输入端；强化层的输出端依次连接第三交叉全连接层、第三形变层、转置层，并作为计算层的第三个输入端；计算层的输出端连接交叉拼接层，作为交叉拼接层的第二个输入端；交叉拼接层的输出端依次连接第四交叉卷积层、实例归一化层、交叉上采样层，交叉上采样层的输出端作为交叉注意力模块的输出端，交叉注意力模块的输出端作为交叉相加融合层的第二个输入端。

9.根据权利要求1所述的一种基于交叉注意力机制融合网络的干涉相位解缠方法，其特征在于，所述步骤S3之后还包括：

利用归一化均方根误差对交叉注意力机制融合网络的网络相位解缠精度进行评价，计算公式如下：

其中，NRMSE为归一化均方根误差，N为训练数据集样本的总数，y′k(i,j)为训练数据集样本k的真实值与交叉注意力机制融合网络训练估计值之差，(i,j)表示相位像素坐标。