1.一种结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，该方法包括：

获取极化SAR影像的极化相干矩阵序列，并从中提取待分类像素的邻域窗口四维数据；

将待分类像素的邻域窗口四维数据输入至两个3D卷积块，利用两个3D卷积块提取极化SAR影像的低级特征表示，生成四维局部初步特征图z；

建立极化角局部特征提取网络，将四维局部初步特征图z输入至极化角局部特征提取网络，得到极化角局部特征图Xl_3d；建立空间局部特征提取网络，将四维局部初步特征图z合并为三维局部特征图z′并输入至空间局部特征提取网络，得到空间局部特征图Xl_2d；

以transformer编码层为基础架构，建立极化角与空间全局特征提取及融合网络架构：

将极化角局部特征图Xl_3d与空间局部特征图Xl_2d分别输入至transformer编码层中的多头自注意力机制，以分别学习极化角与空间的全局特征；

将空间的全局特征进行格式转换，以并联的方式与极化角的全局特征相加，之后输入至transformer编码层的多层感知机MLP，进行全局特征融合，得到全局特征融合图z″；

将全局特征融合图z″输入至3D池化层与3D卷积块，利用3D池化层与3D卷积块的组合对全局特征融合图z″进行下采样与高级特征提取，得到特征向量；

将特征向量映射到分类器进行极化SAR影像类别分类并输出该待分类像素的分类结果。

2.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，获取极化SAR影像的极化相干矩阵序列，包括：基于Pauli分解，并通过极化散射矩阵来构建极化SAR影像的相干矩阵；其中，极化散射矩阵包含HH、HV、VH、VV四个极化通道的信息，具体公式如下：式中，T3为极化SAR影像的相干矩阵；H和V分别表示水平和垂直极化，SHH、SHV、SVH、SVV分别是不同极化通道的散射系数；*表示复共轭；

通过旋转极化基，计算不同旋转角度下的极化相干矩阵，获取极化SAR影像的极化相干矩阵序列；其中，极化相干矩阵T(θ)公式如下所示：式中，R3(θ)表示极化旋转矩阵，表示转置；其中，极化旋转矩阵R3(θ)定义如下：

式中，θ表示极化方向角POA。

3.根据权利要求2所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，使用角度范围为步长为9个不同的极化方向角POA来生成极化相干矩阵序列，并基于patch的分类策略，从极化相干矩阵序列中提取每个待分类像素的邻域窗口四维数据；其中，极化相干矩阵序列数对应不同的极化方向角POA数。

4.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，两个3D卷积块均包含一个3D卷积层、一个3D批量归一化BN和一个sigmoid加权线性单元SiLU激活层；其中，SiLU是一种非线性激活函数；

将极化SAR影像的极化相干矩阵序列输入至两个3D卷积块，3D卷积块中的卷积核在输入数据的局部区域进行滑动，计算加权和，提取极化SAR影像多维空间中的几何和局部特征，并生成四维局部初步特征图z。

5.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，极化角局部特征提取网络包括一3D卷积层；将四维局部初步特征图z输入至3D卷积层，利用3D卷积层学习极化角的局部特征，得到极化角局部特征图Xl_3d；

空间局部特征提取网络包括一2D卷积层；四维局部初步特征图z的维度表示为C×D×H×W，C表示通道数，D表示旋转域邻域窗口数据的数量，H和W表示邻域窗口的高度和宽度；在C和D维度下，将四维局部初步特征图z合并为三维局部特征图z′，其维度为C′×H×W，其中C′＝C×D；将三维局部特征图z′输入至2D卷积层，利用2D卷积层学习空间的局部特征，得到空间局部特征图Xl_2d∈RC′×H×W。

6.根据权利要求5所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，将极化角局部特征图Xl_3d与空间局部特征图Xl_2d分别输入至transformer编码层中的多头自注意力机制，以分别学习极化角与空间的全局特征，包括：构建极化角与空间全局特征提取网络，将极化角局部特征图Xl_3d在高度H和宽度W两个维度上展开，并对展开后的特征向量进行归一化处理，确保特征的尺度一致，之后利用多头注意力机制来处理归一化后的特征，生成的极化角全局特征图记作Xm_3d；将空间局部特征图Xl_2d分割成K个小的扁平斑块Xu_2d，其中每个斑块的维度为P×K×C′，P是每个补丁中的像素数，即P＝w′×h′，其中w′和h′分别是补丁的宽度和高度，K是补丁的数量，即K＝HW/P，之后对扁平斑块进行归一化，并利用多头注意力机制捕捉空间全局特征的关系，得到的空间全局特征图为Xm_2d，其维度为P×N×C′，其中N是特征维度的数量。

7.根据权利要求6所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，将空间的全局特征进行格式转换，以并联的方式与极化角的全局特征相加，之后输入至transformer编码层的多层感知机MLP，进行全局特征融合，得到全局特征融合图z″，包括：构建极化角与空间全局特征融合网络，将极化角全局特征图Xm_3d和空间全局特征图Xm_2d进行特征融合：将空间全局特征图Xm_2d先展开成与极化角全局特征图Xm_3d兼容的维度，然后将展开后的Xm_2d和Xm_3d进行拼接，得到新的特征图Xn_3d，特征图Xn_3d包含极化旋转角和空间自注意力信息的特征向量序列；对特征图Xn_3d进行归一化处理，再输入到多层感知机MLP中，将经过多层感知机MLP处理后的特征图与原始的特征图Xn_3d进行残差连接，最终得到全局特征融合图z″，z″的维度是与原始输入维度相同的C×D×H×W的4D张量。

8.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，3D池化层对特征图进行全局最大池化操作，以将高维特征映射到低维空间；池化操作将特征图的空间维度缩小为一个特征向量。

9.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，分类器包括两个线性层和以及中间的ReLU&Dropout层，分类器输出是logits，即类别预测的原始分数，再通过Softmax函数将logits映射到一个概率分布，表示每个类别的预测概率。

10.一种极化合成孔径雷达，其特征在于，该极化合成孔径雷达采用权利要求1至9中任意一项所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法的步骤。