1.一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于，包括以下步骤：步骤1，将有标注的SAR图像数据同时输入到两个具有相同结构的支路网络中G θ1 (·)和G θ2 (·)，两个支路网络的初始化参数不同，得到两个网络的预测结果；步骤2，计算两个支路网络输出结果与人工标注间的损失函数；步骤3，将无标注的时间序列SAR图像随机平均划分，得到两组无标注输入图像；步骤4，将步骤3中随机划分的两组无标注数据分布输入到两个不同支路，得到每个时相图像的预测结果，即预测概率输出；步骤5，对步骤4中无标注数据的网络预测概率输出进行评估，对于每个像素点，如果其预测类别的概率最大值大于设定的阈值θ 1 ，则该点为有效预测点；对于每张图像的预测结果，如果有效预测点的比例大于设定的阈值θ 2 ，则该预测结果为有效预测；步骤6，通过伪标签生成模块，将无标注数据的有效预测输出转化为伪标签，每一个时间点图像生成一个对应的伪标签，对于第t个时间点的图像，将其他所有时间点的有效预测概率进行平均后，得到平均预测概率，然后将平均预测概率中每个像素点概率最大的类别作为该像素点的类别；步骤7，计算无标注图像序列每个时间点图像的预测输出和伪标签之间的时相一致性损失函数；步骤8，计算标注数据和无标注数据的总损失函数，并通过反向传播算法更新模型参数；步骤9，经过上述步骤训练得到的模型G θ1 (·)和G θ2 (·)，在推理阶段，对于输入图像I，只使用其中的一个模型即可得到预测结果，即 模型对于输入图像的每一个像素点预测各个类别的概率，选择概率最大的类别作为预测输出的类别；步骤10，将图像中预测为“建筑区”类别的像素点集合提取为建筑区域。
2.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤2中两个支路网络输出结果与人工标注间的损失函数为：其中W和H分别为输入图像的宽和高，i为像素点的编号，p 1i 和p 2i 分别为第一个支路网络和第二个支路网络对输入图像第i个像素点的预测输出， 为输入数据中的第i个数据点的人工标签，l ce 为交叉熵损失函数，其表达式为l ce ＝ylny'+(1-y)ln(1-y')，其中y为数据标签，y'为网络预测结果。
3.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤6中，确定伪标签中每个像素点类别的计算公式为 其中h和w代表像素点位置，c代表预测类别，t和τ代表时间序列编号。
4.如权利要求2所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤7中，无标注图像序列每个时间点图像的预测输出和伪标签之间的时相一致性损失函数，即 其中t代表时间序列标号，W和H分别为输入图像的宽和高， 为第t个时间点图像在第i个位置上的伪标签，l ce 为交叉熵损失函数。
5.如权利要求4所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤8中，标注数据和无标注数据的总损失函数即 其中λ为调节监督损失和无监督损失权重的参数，监督损失使模型具备预测像素点是否为建筑区类别的能力，无监督损失利用一致性正则化原则，使得模型的预测更为稳定，且对噪声更为鲁棒。
6.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤8中，通过反向传播算法更新两个支路网络的参数，即两个网络分别使用步骤3中分配到的数据计算的损失函数来更新参数，使用动量值为0.9，权重衰减值为0.01的随机梯度下降、优化器，初始学习率为0.01，并使用指数变换学习率衰减策略调整学习率的大小。
7.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，其特征在于：步骤5中，θ 1 和θ 2 的值根据经验值分别设置为0.8和0.7。
