极化SAR系统具有获取多通道极化信息的能力，对极化SAR图像进行解译可得到丰富的地物目标散射信息。近年来，随着获取的极化SAR图像越来越复杂，对地物分类提出了更多挑战。现有非监督极化SAR图像分类方法采用的距离度量大多不能有效考虑到数据集（图像）的全局特征信息，由此构建的相似度矩阵的判别能力不强；此外，提取一种或少数几种特征的方式也难以表达图像中地物目标包含的本质信息。因此，为了获得更高的分类精度，提升原有相似度矩阵的判别能力势在必行。其中，基于多种极化特征利用上下文高阶信息进行相似度的学习是一种提高非监督地物分类精度简单有效的方法。
针对该问题，国防科技大学邹焕新教授团队基于张量积图扩散对非监督极化SAR图像地物分类开展了实验研究。该方法简单有效，易于实现，其分类精度比直接基于原始相似度矩阵的分类精度有明显提升，也比其它多种非监督极化SAR图像分类方法的分类精度更优。该工作已发表在《雷达学报》2019年第4期“一种基于张量积扩散的非监督极化SAR图像地物分类方法”（邹焕新，李美霖，马倩，孙嘉赤，曹旭，秦先祥）。
图1 基于张量积扩散的非监督极化SAR图像地物分类流程
该文首先简单介绍了非监督极化SAR图像地物分类中的超像素分割、特征提取与相似度矩阵构建技术，接着详细阐述了基于张量积的相似度矩阵扩散技术（图1），最后，利用仿真和实测极化SAR图像进行了非监督地物分类实验研究（图2），验证了所提方法的有效性。
图2非监督极化SAR图像地物分类结果比较