特征值相似度量谱聚类：极化SAR图像土地覆盖分割新方法

"基于特征值相似度量的谱聚类用于土地覆盖的POL-SAR图像分割" 在当前的遥感技术中，极化合成孔径雷达（POL-SAR）图像分割是一个重要的研究领域，它能够提供丰富的地表信息，特别是在恶劣天气和夜间条件下的观测。论文“Spectral Clustering with Eigenvalue Similarity Metric Method for POL-SAR Image Segmentation of Land Cover”发表在《地理信息系统期刊》(Journal of Geographic Information System) 2018年10月的第10卷中，作者包括Shuiping Gou, Debo Li, Dong Hai, Wenshuai Chen, Fangfang Du和Licheng Jiao，他们都来自西安电子科技大学。 这篇研究提出了一种新颖的方法，该方法针对POL-SAR图像的土地覆盖物分割，利用了相干矩阵的特征值作为相似性度量。特征值是矩阵性质的重要体现，可以反映极化信息的复杂性。在传统的光谱聚类方法中，往往需要手动调整比例参数，而本文的方法则通过马氏距离(Mahalanobis distance)来衡量像素间的成对相似性，从而避免了这一问题。马氏距离考虑了像素的协方差结构，使得度量更加准确，更适用于非高斯分布的数据。 为了进一步提升分割的稳定性和性能，论文引入了空间相干约束和谱聚类集成。空间相干约束利用了图像中的空间连贯性，确保了分割结果的一致性，而谱聚类的集成则通过组合多个聚类结果，减少了噪声和边界模糊的影响，提高了分割的准确性。 实验部分，研究人员在三组不同的极化SAR数据集上进行了测试，结果显示，提出的特征值相似性度量的谱聚类方法在土地覆盖物分割上表现优越，优于其他比较方法。这表明该方法具有良好的适应性和实用性，对于处理POL-SAR图像的分析和理解具有显著优势。 这篇研究在POL-SAR图像处理领域做出了重要贡献，它提出的新方法不仅解决了手动参数调整的问题，还通过结合多种策略提升了分割性能，为实际应用提供了有价值的工具。这项工作对于地理信息系统的学者、遥感专家以及地球科学的研究人员来说，都是一份有价值的参考资料。