1.基于超像素和主题模型的极化SAR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，对极化SAR图像进行精致Lee滤波处理；

步骤2，使用均匀采样的方式对所述步骤1处理后的图像进行样本点采集，得到样本点集合；

步骤3，对样本点集合提取极化SAR图像的三种类型的特征，并分别进行归一化，得到特征集合F1、F2、F3；

步骤4，对特征集合F1、F2、F3分别进行K-means聚类，形成视觉字典V1、V2、V3，并将V1、V2、3

V合并为多特征视觉字典V；

步骤5，在所述步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据多特征视觉字典V对每个超像素进行稀疏编码；

步骤6，使用主题模型对超像素的稀疏编码进行特征学习，得到高层特征，并用SVM分类法对高层特征进行分类，得到极化SAR图像的最终分类结果。

2.根据权利要求1所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤3的具体步骤为：步骤3.1，基于极化数据表示分别提取极化SAR图像的16维特征，并归一化得到特征集合F1；

步骤3.2，基于极化目标分解分别提取极化SAR图像的17维特征，并归一化得到特征集合F2；

步骤3.3，基于图像处理技术分别提取极化SAR图像的20维特征，并归一化得到特征集合F3。

3.根据权利要求2所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤3.1中，基于极化数据表示提取的极化SAR图像的16维特征具体为：a)极化散射矩阵S的6维特征：

{real(Shh),imag(Shh),real(Shv),imag(Shv),real(Svv),imag(Svv)}     (1)其中，Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据，real(·)为求实部操作，imag(·)为求虚部操作；

b)相干矩阵T的9维特征：

{T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)}   (2)其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33、T12、T13和T23为相干矩阵T中的元素；

c)SPAN图的1维特征：

2 2 2

span＝|Shh|+2|Shv|+|Svv|                (3)SPAN图为极化SAR总功率图，其中，span为散射矩阵S的各元素的功率之和。

4.根据权利要求3所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤3.2中，基于极化目标分解提取的极化SAR图像的17维特征具体为：a)Cloude-Pottier分解得到3维特征：熵H、反熵A和平均散射角α；

熵H定义为：

其中：

其中，n为通道数，n＝3；相干矩阵T分解得到多个特征值和特征向量，λi是第i个特征值，λj是第j个特征值，Pi为λi的归一化结果；

反熵A定义为：

P2为第2个特征值的归一化结果，P3为第3个特征值的归一化结果；

平均散射角α定义为：

α＝P1α1+P2α2+P3α3       (7)α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；

b)Freeman分解得到3维特征：表面散射功率、二次散射功率和体散射功率：Freeman分解将协方差矩阵C分解为三种散射矩阵：C＝fsCS+fdCD+fvCV     (8)其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fs、fd、fv分别为CS、CD、CV对应的系数；

表面散射功率、二次散射功率、体散射功率分别为pS、pD、pV：其中，a为二次散射参数、b为表面散射参数；

c)Huynen分解得到9维特征：

{A0,B0,B,C,D,E,F,G,H}     (10)A0表示目标对称性，B0-B表示目标非对称性，B0+B表示目标非规则性，C表示目标线性特性，D表示局部曲率差，E表示表面扭转度，F表示目标螺旋性，G表示对称与非对称的粘合力，H表示目标方向；

Huynen分解将相干矩阵T表示为9个独立元素，9个元素表示不同的目标散射信息：其中，

d)极化参数的2维特征：

共极化比：

交叉极化比：

其中，(Svv)*为矩阵Svv的共轭转置。

5.根据权利要求4所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤3.3中，基于图像处理技术提取的极化SAR图像的20维特征具体为：a)基于灰度共生矩阵定义4维纹理特征：

对比度con：

能量Asm：

熵Ent：

相关性Corr：

其中，

其中，p(i,j)为像素点i和像素点j之间的灰度共生矩阵值，k为像素点的个数；

b)16维轮廓特征：

设计4个尺度N个方向的滤波器组，并将滤波器组应用在SPAN图和极化SAR图上，得到不同方向和尺度的能量值：其中，Eedge和Eline分别为边能量值和线能量值，xi为滤波器内第i个像素点的像素值，wi为第i个像素点对应的高斯核权重，m和n分别为滤波器两个不同区域的像素点的个数；在1个SPAN图和3个通道的极化SAR图上，对于4个尺度，分别选择各个方向中的最大能量值作为该尺度的能量值，得到16维轮廓能量图。

6.根据权利要求2所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤4的具体步骤为：步骤4.1，对所述特征集合F1进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V1；

对所述特征集合F2进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V2；

对所述特征集合F3进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V3；

1 2 3

步骤4.2，合并视觉字典V、V、V，得到3m维的多特征视觉字典V。

7.根据权利要求6所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤5具体为：对所述步骤1处理后的图像获取SPAN图，对SPAN图进行均值漂移过分割，每个过分割区域作为一个超像素；

根据多特征视觉字典V对每个超像素进行稀疏编码，并对所有超像素的稀疏编码进行归一化处理。

8.根据权利要求7所述的基于超像素和主题模型的极化SAR图像分类方法，其特征在于，所述步骤6具体为：使用LDA模型对超像素的稀疏编码进行特征学习，先使用贝叶斯学习方法进行模型推理，再使用EM参数估计算法进行参数估计，得到主题概率，使用SVM分类法对主题概率进行分类，得到极化SAR图像的最终分类结果。