极化SAR（PolSAR）图像地物分类在地质勘探、地形分析以及灾害监测等方面具有广泛的应用。随着随着传感器水平的提高，以及雷达影像应用领域日益增长的巨大需求，极化SAR图像的智能分类问题成为了研究领域的热点。谱聚类在分析复杂的数据结构信息时，通过得到数据点的不同相似图来预测聚类标签，往往能够显示出其较强的聚类能力。将判别聚类方法应用到极化SAR图像的分类中有两个优点，首先，判别聚类可以将有监督的判别能力引入无监督分类问题中，现有的监督学习工具在弱监督任务和无监督任务中具有良好的重要性能。其次，判别聚类是一个通用框架，它允许将不同的判别损失函数或其他特定领域的约束合并到一个单一的损失函数中，适用于不同的应用程序，并且具有很强的灵活性。但是，现有的聚类方法只是简单地将数据中的信息组合在一起，噪声会大大降低聚类的性能。为了解决上述问题，西安电子科技大学大学张向荣教授团队提出一种基于马尔科夫判别谱聚类方法（MDSC）用于极化SAR图像分类，具有低秩和稀疏分解的特点。该工作已发表在《雷达学报》2019年第4期“SAR图像智能解译”专题“基于马尔科夫判别谱聚类的极化SAR图像分类方法”（张向荣，于心源，唐旭，侯彪，焦李成）。
图1 极化SAR成像原理图
图2 真实的概率转移矩阵构造概图
该文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；并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更加充分地利用；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。
图3 德国Oberpfaffenhofen地区数据的分类结果图
图5 荷兰 Flevoland 地区大农田数据的分类结果图