极化SAR图像分类是遥感图像解译的重要研究内容,也是遥感图像处理理论到应用的关键步骤。通过分类,既可以验证基础理论算法的正确性,又可应用于变化检测、目标识别等其他领域。谱聚类方法的特点是能够对复杂数据结构信息实现简单、快速的聚类分析,因此如何利用谱聚类方法对极化SAR图像进行快速准确的分类具有重要的研究意义。本文首先提出了基于马尔科夫判别谱聚类的极化SAR图像分类方法,然后基于该算法在多视角和大尺度两个方面做出了适应于极化SAR数据特性的改进。本文的主要研究内容如下:1.针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,本文提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到多层次利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。2.由于普通单视角谱聚类方法无法对极化SAR图像的其他信息进行有效利用,本文在马尔科夫判别谱聚类方法的基础上提出了多视角判别谱聚类算法。该算法提取极化目标分解特征和纹理特征作为极化SAR图像的两个视角,然后同时在两个视角上进行LDA交叉降维,最后采用马尔科夫判别谱聚类方法进行聚类,交替迭代不同视角的类标直至收敛到最终的分类结果。实验结果表明,该算法明显提高了聚类性能,且通过实际数据集验证了算法的有效性。3.为了弥补谱聚类算法由于其计算复杂度高带来的应用瓶颈,本文在马尔科夫判别谱聚类方法的基础上提出了基于特征选择的大尺度判别谱聚类算法。该算法首先采用聚类森林对极化SAR数据进行特征选择,选取特征集中最佳的组合作为特征增长的初始化聚类向量,有效地降低了特征维度并抑制了噪声;其次通过极化SAR图像的超像素分割选取代表点,并设计了一种节省内存、计算容易的相似度矩阵;最后通过马尔科夫判别谱聚类算法得到聚类结果。不同数据集上的实验结果表明,该算法确实在大尺度极化SAR图像上取得了更好的分类精度。