极化合成孔径雷达(PolSAR)图像的地物分类是图像处理的主要任务,是图像的理解和解译的前提。相比于传统的SAR图像,极化SAR图像含有更加丰富的地物信息,是多参数多通道的成像雷达系统。然而,对于异质结构区域,由于散射特性复杂,结构千差万别,对其分类存在很大的难度。尤其是聚集地物,如城区、森林等,是由多个同类目标聚集形成的,这种区域内部目标和地面散射变化差异大,形成强烈的亮暗变化,这些变化重复出现,形成了聚集地物。如何将聚集地物分为语义上一致的区域,并保持边界细节是极化SAR地物分类的一个难点问题。目前极化SAR分类方法的研究主要依靠极化散射特性的分析和基于像素底层特征的提取,为了能够对图像进行更高层次的理解和解译,高层语义信息的挖掘也很有必要,是进一步图像理解和解译的关键。本论文中,我们对极化SAR图像进行深入分析,不仅充分挖掘了极化SAR的散射特性,更进一步的从视觉认知角度构建层次语义模型,提出一系列有效的新模型和极化SAR地物分类方法,主要研究成果如下:1.提出了极化层次语义模型,将极化SAR图像划分为三种结构不同的区域类型。对于极化SAR图像分类,如何将聚集地物分为语义上一致的区域是一个难点。聚集地物是指相似地物目标聚集在一起形成的地物,如城区、森林等。这些地物类型的主要特点为地物区域内部包含强烈的亮暗变化,传统的方法很难将其分为一类。为了克服这个缺点,我们提出了一种层次语义模型,该模型包括初层和中层语义。初层语义是极化素描图,它是由素描线段构成,是极化SAR图像的稀疏表示。中层语义是区域图,该图是通过挖掘素描图中素描线段的空间邻域关系而得到的。该图将极化SAR图像划分为聚集、结构和匀质三种区域类型。实验结果表明提出的层次语义模型能够很好的划分极化SAR图像的三类区域。2.提出了一种新的基于层次语义模型和极化特性的极化SAR地物分类方法。针对复杂的极化SAR场景,为了对不同类型的地物进行精确分类,我们根据提出的层次语义模型,将区域图映射到极化SAR图像上,将极化SAR图像划分为聚集、结构和匀质三种区域类型。然后,用均值漂移对图像进行初分割,对不同的区域类型,根据其特点设计不同的区域合并策略,得到语义分割结果。另外,进一步构建语义一一极化分类器,将语义分割和基于散射特性的分类结果进行融合,得到更优的分类结果。通过对不同波段不同传感器得到的真实数据进行测试,验证了提出的算法能够获得语义上一致的区域和边界细节。3.提出了一种无监督的基于素描图和自适应马尔可夫随机场(Markov Random Field,MRF)的极化SAR图像分类算法。MRF模型是极化SAR图像分类的一种有效工具。然而,在传统的MRF方法中,由于缺乏合适的上下文信息,分类结果的边界保持和区域一致性一直是一对矛盾。为了既保持边界细节,又获得一致的区域,我们基于极化素描图,提出了一种自适应的MRF框架。极化素描图能够提供详细的边界位置和方向,这些信息能够有效地指导边界邻域结构的选择。具体地,极化素描图能够将极化SAR图像划分为结构和非结构区域,然后对不同的区域进行自适应邻域学习。对结构区域,我们构建几何结构块对图像细节进行保持。对非结构区域,我们设计最大一致区域来提高区域一致性。通过对仿真和真实数据的实验表明,提出的算法既能够获得好的区域一致性,又能够得到细节边界。4.提出了基于深度学习和层次语义模型的极化SAR图像分类方法。针对复杂场景的极化合成孔径雷达(SAR)图像,堆叠自编码模型能够自动学习图像结构特性,有效表示城区、森林等复杂地物的结构,然而,对图像边界和细节却难以保持。为了克服该缺点,本文结合深度自编码器和极化层次语义模型,提出了新的无监督的极化SAR图像分类算法。该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域。对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位。实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果。5.提出了一种新的基于小波融合的极化SAR图像边缘检测方法。极化CFAR检测子能够有效地抑制斑点噪声,因为其考虑了斑点噪声的Wishart分布模型。然而,它难以检测异质区域的边界细节,如城区内部的细道路等,这是因为在异质区域中,滤波器内像素已难以满足相干斑一致性假设。为了克服这个缺点,我们通过融合极化CFAR检测子和加强梯度检测子,提出了一种新的边缘检测算法,该算法结合了极化CFAR和加强梯度检测子的优势,并抑制他们的缺点。我们使用小波变换对这两种互补的检测子进行融合,并定义语义规则。另外,为了抑制梯度检测子的噪声影响,我们对梯度检测结果采用降斑策略。实验结果表明,提出的算法能够有效地检测弱边界和异质区域的细节。