近邻传播聚类在极化SAR图像分类中的应用研究

"本文详细探讨了基于近邻传播聚类算法的极化SAR图像分类方法。作者通过结合聚类分析和极化SAR图像特性，提出了三种不同的分类策略，每一种都针对不同的优化目标和效率提升。" 在极化合成孔径雷达（POLSAR）图像分类中，近邻传播聚类算法扮演着关键角色。这种算法能够自适应地确定最佳聚类数量，并且执行效率高。在第一种方法中，研究者用基于类别间的Wishart距离替代了传统的欧式距离，作为近邻传播聚类的相似性衡量标准。通过结合Yamaguchi分解对POLSAR图像进行初步分割，然后利用反映极化SAR数据分布的Wishart分类器进行迭代分类，提高了分类精度。 第二种方法引入了超像素算法Turbopixle，利用Pauli分解得到的特征对POLSAR图像进行预分割。这种方法将图像划分为互不重叠的小区域，每个区域作为一个独立的数据点输入近邻传播聚类算法，提升了算法效率。通过改进Turbopixle算法的空间关系构建，实现了更优的超像素性能。 第三种策略结合了极化特征和改进的近邻传播聚类算法。首先，通过相干矩阵的特征参数进行图像的初步划分，随后使用优化后的近邻传播聚类算法进行预分类，最后应用复Wishart迭代划分提升最终的分类精度，进一步确保了分类的准确性。 这三种方法都在真实极化SAR图像上进行了测试，验证了它们在分类精度和效率上的优越性，尤其是在农业、军事、海洋等领域的应用潜力。这些研究不仅扩展了近邻传播聚类算法在POLSAR图像分类中的应用，也为未来极化信息的深入解析提供了新的思路和工具。