1.一种SAR影像叠掩检测方法，其特征在于，包括：获取当前检测区域的SAR时序影像数据和对应的外部异源数据；其中，所述外部异源数据包括：外部DEM数据和外部地表分类覆盖数据；从所述SAR时序影像数据中提取对应的幅度信息，根据所提取的幅度信息得到当前检测区域的区域幅度图，并对所述区域幅度图进行归一化处理；对所述SAR时序影像数据进行干涉处理，得到对应的干涉相位图，并根据所述干涉相位图计算对应的相干系数；对所述外部DEM数据进行归一化处理，继而将归一化后的区域幅度图、干涉相位图、相干系数、归一化后的外部DEM数据和外部地表分类覆盖数据进行波段拼接，生成对应的数据块，并将所述数据块输入至预设的叠掩识别模型，以使所述叠掩识别模型对所输入的数据块数据进行影像级别的数据融合；对融合后的数据进行浅层特征提取，并对所提取的浅层特征进行特征融合；其中，进行浅层特征提取时，考虑输入数据卷积核范围上的像素领域关系，对像素的区域间特征依赖模式进行提取；根据融合后的浅层特征，依次通过CFE-2模块与CFE-3模块提取融合浅层特征中的全局特征，继而对所提取的全局特征进行特征融合和特征分类，得到当前检测区域的叠掩识别结果；其中，CFE-2模块包括两个分支结构，特征数据在进入CFE-2分支1时不做采样处理，在进入CFE-2分支2时进行2倍下采样；CFE-3模块包括3个分支结构，CFE-3分支1的输入由CFE-2分支2的输出数据进行2倍上采样后，与CFE-2分支1的输出数据进行融合得到；CFE-3分支2的输入由CFE-2分支1的输出数据进行2倍下采样后，与CFE-2分支2的输出数据进行融合得到；CFE-3分支3的输入由CFE-2分支1的输出数据进行4倍下采样，和CFE-2分支2的输出数据进行2倍下采样后融合得到；叠掩识别模型接收多个时刻的数据块作为不同通道的输入，经处理后得到多个通道的输出作为所述叠掩识别结果；其中，所述叠掩识别模型是以历史SAR时序影像数据和对应的历史外部异源数据为输入，以对应区域的叠掩识别结果为输出，对一预设的深度学习模型进行训练得到的。
2.如权利要求1所述的SAR影像叠掩检测方法，其特征在于，所述叠掩识别模型的生成，包括：获取历史SAR时序影像数据和对应的历史外部异源数据；其中，所述历史外部异源数据包括：历史外部DEM数据和历史外部地表分类覆盖数据；从所述历史SAR时序影像数据中提取对应的历史幅度信息，根据所提取的历史幅度信息得到对应区域的历史区域幅度图，并对所述历史区域幅度图进行归一化处理；对所述历史SAR时序影像数据进行干涉处理，得到对应的历史干涉相位图，并根据所述历史干涉相位图计算对应的历史相干系数；对所述历史外部DEM数据进行归一化处理，继而将归一化后的历史区域幅度图、历史干涉相位图、历史相干系数、归一化后的历史外部DEM数据和历史外部地表分类覆盖数据进行波段拼接，生成对应的数据块，并将所述数据块作为输入数据样本；对所述历史SAR时序影像数据中的叠掩区域进行标注，生成对应区域的叠掩标签；根据所述输入数据样本和所述叠掩标签生成模型训练样本，继而根据所述模型训练样本和预设的损失函数对一预设的深度学习模型进行训练，生成对应的叠掩识别模型。
3.如权利要求2所述的SAR影像叠掩检测方法，其特征在于，所述对所述历史SAR时序影像数据中的叠掩区域进行标注，生成对应区域的叠掩标签，包括：根据不同的预设叠掩识别方法分别对所述历史SAR时序影像数据进行SAR影像叠掩识别，得到不同的叠掩识别结果；其中，所述预设叠掩识别方法包括：基于幅度与相干性阈值的叠掩识别方法、卫星雷达视线分析识别法以及DEM坡度坡向分析法；对各所述叠掩识别结果进行集成，继而根据集成后的叠掩识别结果对所述历史SAR时序影像数据中的叠掩区域进行标注，生成对应区域的叠掩标签。
4.如权利要求2所述的SAR影像叠掩检测方法，其特征在于，根据所述输入数据样本和所述叠掩标签生成模型训练样本，包括：将所述输入数据样本和所述叠掩标签作为初始模型训练样本；对于所述初始模型训练样本中的每一样本数据，从预设的数据增强方法中随机选择若干种数据增强方法，依次对所述样本数据进行数据增强处理，得到数据增强后的样本数据；其中，所述数据增强方法包括：几何变换、噪声注入、影像混叠以及颜色变换；将所有数据增强后的样本数据作为模型训练样本。
5.如权利要求2所述的SAR影像叠掩检测方法，其特征在于，所述损失函数为： ； ； ； ；其中， 为交叉熵损失函数，用于衡量所述叠掩识别模型预测的叠掩概率与真实标签的差距; 为交并比损失函数，用于计算所述叠掩识别模型预测区域与真实叠掩区域的交并比;N为样本数量; 为真实标签; 为模型的预测概率； 为所述叠掩识别模型的深度学习模型损失函数，用于对所述交叉熵损失函数和所述交并比损失函数的结果进行综合，并根据综合结果计算每一分支通道的损失函数； 和 分别为所述交叉熵损失函数和所述交并比损失函数的综合权重； 为所述叠掩识别模型的整体损失函数，用于计算每一模型输出通道的损失，继而对所有模型输出通道的损失进行求和，将和值作为模型的整体损失， 、 和 分别为各模型通道的损失。
6.如权利要求1所述的SAR影像叠掩检测方法，其特征在于，在得到当前检测区域的叠掩识别结果之后，还包括：根据当前检测区域的叠掩识别结果，计算所述叠掩识别结果的精确率、召回率以及交并比，继而根据所述精确率，召回率以及交并比对所述叠掩识别模型的模型识别精度进行评价。
7.一种SAR影像叠掩检测装置，其特征在于，适用于如权利要求1-6任意一项所述的SAR影像叠掩检测方法，包括：数据获取模块、幅度信息提取模块、干涉处理模块以及叠掩识别模块；所述数据获取模块，用于获取当前检测区域的SAR时序影像数据和对应的外部异源数据；其中，所述外部异源数据包括：外部DEM数据和外部地表分类覆盖数据；所述幅度信息提取模块，用于从所述SAR时序影像数据中提取对应的幅度信息，根据所提取的幅度信息得到当前检测区域的区域幅度图，并对所述区域幅度图进行归一化处理；所述干涉处理模块，用于对所述SAR时序影像数据进行干涉处理，得到对应的干涉相位图，并根据所述干涉相位图计算对应的相干系数；所述叠掩识别模块，用于对所述外部DEM数据进行归一化处理，继而将归一化后的区域幅度图、干涉相位图、相干系数、归一化后的外部DEM数据和外部地表分类覆盖数据进行波段拼接，生成对应的数据块，并将所述数据块输入至预设的叠掩识别模型，以使所述叠掩识别模型根据所输入的数据块，对当前检测区域的叠掩进行识别，得到当前检测区域的叠掩识别结果；其中，所述叠掩识别模型是以历史SAR时序影像数据和对应的历史外部异源数据为输入，以对应区域的叠掩识别结果为输出，对一预设的深度学习模型进行训练得到的。
8.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的SAR影像叠掩检测方法。
9.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至6中任意一项所述的SAR影像叠掩检测方法。
