1.基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，具体按照以下步骤实施：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、对经过步骤1处理的极化SAR图像进行超像素分割，得到若干个超像素块；

步骤3、根据步骤1滤波后生成的极化SAR图像，得到每个像素点3*3的极化相干矩阵，利用每个像素点的极化相干矩阵求取该像素点的特征向量；

步骤4、对步骤2得到的超像素块内的像素点的特征向量求平均值，将该平均值作为该超像素块的特征向量；

步骤5、设置每个超像素块的标签，从每类超像素块标签中随机挑选相同数量的超像素块作为训练集，其余超像素块作为测试集；

步骤6、构建带有池化层的图注意力网络；

带有池化层的图注意力网络的结构包括三个图卷积层和三个图池化层，具体为：输入层→第一图卷积层→第一图池化层→第二图卷积层→第二图池化层→第三图卷积层→第三图池化层→softmax输出层；

所述图卷积层的图卷积步骤具体按照以下步骤实施：

步骤6.1.1、利用超像素块的特征向量，使用注意力机制计算各节点之间的关联度，计算每个相邻节点与中心节点的注意力系数；计算公式如下：其中， 表示节点i的特征向量， 表示节点j的特征向量，Q是可学习的线性变换参数，α(·)表示注意力机制；

步骤6.1.2、使用softmax函数对每个节点的注意力系数eij进行归一化，公式如下：步骤6.1.3、利用归一化后的注意力系数αij，对每个节点的邻域节点进行有区别的信息聚合，完成图卷积操作，公式如下：其中，W为卷积核参数， 为j节点的特征向量；

所述图池化层的图池化步骤具体按照以下步骤实施：

步骤6.2.1、将步骤2得到的超像素块作为图中的节点，将训练集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连构成一张无向图，即图G，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1；

l N×N l N×C

步骤6.2.2、图G中有N个节点，图G的邻接矩阵为A∈R ，特征矩阵为X ∈R ，使用一l l个可训练的投影向量p，将节点i的特征向量投影到向量p，然后执行k‑max池化来选择节点；

步骤7、训练带有池化层的图注意力网络；

步骤8、将测试集输入经过训练的带有池化层的图注意力网络中即可得到极化SAR图像的分类结果。

2.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤3极化相干矩阵的表达式如下：将T矩阵简记为 该极化相干矩阵T为复共轭矩阵，对特征矩阵T′进行处理，得到该像素点的特征向量F：

其中，Re表示取特征矩阵复数的实数部分，Im表示取复数的虚数部分，而Tij表示相干矩阵的第i行第j列数据。

3.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤4中超像素块的特征向量F′的计算如下式：其中，Fi表示该超像素块内第i个像素的特征向量。

4.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤5设置每个超像素块的标签具体为，在每一个超像素块内找到拥有像素点最多的标签，将这个标签设置为该超像素块的标签。

5.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在l l于，所述步骤7具体为，将图G的邻接矩阵A和特征矩阵为X输入到带有池化层的图注意力网络中，得到训练集中所有训练样本的损失函数值，利用梯度下降法更新网络的权重值，直至损失函数值最小，最后保存网络的权重值，得到训练好的带有池化层的图注意力网络。

6.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤8具体为，将测试集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连，构成一张无向图即G′，若超像素块的标签与相邻的八个超像素块l′的标签相同，则边的权值为10，若标签不同，则边的权值为1，得到图G′的邻接矩阵A 和特征l′ l′ l′矩阵为X ，将A 和X 输入到训练好的带有池化层的图注意力网络中即可得到分类结果。