1.一种基于PS目标时空间相干矩阵的极化相位优化方法，其特征在于，包括如下步骤：S1：获取N景原始的VV极化、VH极化SAR图像，并对其进行裁剪、配准、多视预处理；

S2：分别计算VV极化数据和VH极化数据的振幅离差值，并设置阈值选取PS目标，最终PS目标为VV极化数据和VH极化数据选取的PS目标的总和；

S3：利用投影矢量和Pauli矢量将VV、VH两种极化的复数像元组合成新的SLC影像；

S4：计算新构造的SLC影像中的PS目标集的时空间相干矩阵；

S5：利用特征值分解技术，分解时空间相干矩阵，得到特征值；

S6：对S5得到的特征值采用ESPO算法搜索最优投影矢量使得最大特征值占所有特征值总和的比重最大，从而提高第一主成分贡献率，抑制噪声成分，达到优化相位的目的；

所述S3中，利用投影矢量和Pauli矢量将VV、VH两种的复数像元组合成新的SLC影像方式如下：T

k＝[SVV 2SVH]

+

s＝ω*k

其中，SVV、SVH分别表示VV、VH极化对应的复数像元，k为Pauli基矢量化结果，ω为由α、两个待优化变量表达的极化散射机制，s为两种极化状态组合而成的新的SLC像元值，+表示共轭转置；

所述S4具体包括如下步骤：

S4.1：对新构造的N景SLC影像中的PS目标集计算时空间协方差矩阵，计算公式如下：T

其中，x＝[x1，x2，...，xn] 表示分布式目标的同质点在N景SAR影像上的复观测量；NSHPs为PS点总数量；Ω表示PS点集合；H表示复共轭转置； 为协方差矩阵，E表示求期望；

S4.2：将时空间协方差矩阵进行归一化处理，得到时空间相干矩阵，计算公式如下：T T

其中，为时空间相干矩阵；y＝[y1，y2...，yn] 为x＝[x1，x2...，xn] 归一化后的结果，所述S6具体步骤如下：S6.1：取待优化变量α、 初始值分别为0、‑π；

S6.2：采用ESPO算法搜索全局最优投影矢量组 使得最大特征值贡献率最大，计算公式如下：其中， 为最优散射机制，λ1为第一主成分对应特征值，即最大特征值；N为影像数量；α， 两个参数范围是已知的，α与目标的散射机制类型有关，与目标的散射方向有关。

2.根据权利要求1所述的一种基于PS目标时空间相干矩阵的极化相位优化方法，其特征在于，所述S1具体包括以下步骤：S1.1：在SAR影像范围内建立感兴趣区，将所有SLC原始影像裁剪至与感兴趣区同一范围；

S1.2：选取VV、VH极化的某一景影像为主影像，将其余从影像配准到主影像空间；

S1.3：根据配准结果进行距离向和方位向视数比为8：1的多视处理，使之与真实地物形状一致。

3.根据权利要求1所述的一种基于PS目标时空间相干矩阵的极化相位优化方法，其特征在于，所述S2中，对VV极化数据、VH极化数据分别计算振幅离差值，并根据阈值选取PS目标，计算公式如下：其中，σnR、σnI分别为噪声实部和虚部的标准偏差；σA和μA分别为振幅的标准偏差和均值； DA分别为相位标准偏差和振幅离差；当像元的振幅离差值小于阈值0.25时，将被选为PS目标。

4.根据权利要求1所述的一种基于PS目标时空间相干矩阵的极化相位优化方法，其特征在于，所述S5中，根据特征值分解原理，时空间相干矩阵分解为：H

其中， 为时空间相干矩阵，U为酉矩阵，U为复共轭的转置；∧为N×N维特征值对角矩阵；α、 为两个待优化变量，λi为特征值；σi为特征向量。