合成孔径雷达(Synthetic aperture radar,SAR)是对地球进行遥感的一种重要手段,它可以全天时全天候地对地球表面进行测量,进而提取成像表面场景的物理信息和参数。多极化SAR作为一种能够同时工作在多种极化收发组合下的SAR,具有比常规单极化SAR更强的信息获取能力,包含了更丰富的地物信息。因此,SAR图像解译有着非常重要的意义。通常,从处理基本单元的角度来说,SAR图像解译的工作可以分成两类,包括:1)基于像素,2)基于区域。传统的基于像素点的算法对SAR图像固有的斑点噪声比较敏感,而且计算复杂度高;而基于区域的算法既克服了这些缺点,又能充分地利用区域信息。因此,SAR图像的区域分割对于SAR图像的后续处理和解译具有非常重要的作用。超像素分割是一种图像过分割算法,是当前图像分割领域中的一个研究热点。超像素是指对一幅图像过分割之后所得到的具有不规则形状的、均匀的、紧凑的的图像区域。由于超像素分割可以有效降低图像复杂度和缩短处理时间,因此,在图像解译应用中,超像素分割常被用作为图像中层解译的预处理步骤。现有的超像素算法主要是针对自然的光学图像提出的,由于SAR图像中固有相干斑点噪声的存在,这些算法无法直接应用于SAR图像的超像素分割。因此,针对SAR图像的区域分割问题,本文在简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法的基础上,重点研究SAR图像(包括极化SAR图像)的超像素分割算法。论文的主要研究工作和取得的成果如下:(1)提出了一种基于SLIC和广义Gamma分布的单极化SAR图像超像素分割算法。SLIC算法是近几年提出的一种非常受欢迎的光学图像超像素分割算法。但是,将该算法直接应用于SAR图像时,由于SAR图像中强斑点噪声和像素灰度值大动态范围的影响,产生超像素的效果并不好。针对这个问题,论文第二章提出了一种可以应用于SAR图像的SLIC过分割算法。该算法结合SAR图像像素之间的空间欧氏距离和基于广义Gamma分布估计得到的SAR图像像素聚类似然信息作为像素之间的相似性测度进行局部聚类。在对SAR图像过分割结果进行后处理时,采用结合空间上下文信息和似然信息的局部边缘演化方案以改善SAR图像超像素分割结果的边缘贴合度。利用一幅仿真SAR图像和四幅实测SAR图像的超像素分割实验结果表明,该算法在不考虑计算时间复杂度的情况下可以生成具有高边缘贴合度的SAR图像超像素。(2)提出了一种基于局部迭代聚类的极化SAR图像超像素分割算法。由于极化SAR图像存在斑点噪声的影响,因此,也不能直接采用SLIC算法。为了解决这个问题,论文第三章提出了改进的聚类中心初始化步骤和改进的后处理步骤,然后将SLIC超像素分割算法引入到极化SAR图像分割领域。在该算法的局部K-means聚类过程中,采用修正Wishart距离和空间欧氏距离的加权和距离作为极化SAR图像像素点和极化SAR图像聚类之间的距离度量,进而将各个极化SAR图像像素点的类别标签重置为局部区域内距离最近的聚类中心类别标签。对极化SAR图像的聚类分割结果采用改进的后处理步骤进行处理,以便将孤立的小尺寸超像素融合到与其邻接的同时也是最相似的较大超像素中。利用两幅实测SAR图像的超像素分割实验结果表明,该算法可以生成形状规则的、均匀的和具有高边缘贴合度的极化SAR图像超像素。(3)提出了一种基于SLIC和对数欧氏距离的极化SAR图像超像素分割算法。由于极化SAR图像中的每一个像素均可以用一个协方差矩阵(或者相干矩阵)来表示,而协方差矩阵本质上可以认为处于一个黎曼流形上,因此,可以采用黎曼流形上的距离测度来度量极化SAR图像像素之间的相似性。基于此,论文第四章采用协方差矩阵之间的对数欧氏(Log-Euclidean)距离并结合像素之间的空间欧氏距离来计算极化SAR像素之间的距离,并基于SLIC算法来完成极化SAR图像的局部聚类以得到超像素。此外,为了获得具有高边缘贴合度的具有较大尺寸的均匀超像素和保留强点目标,在后处理阶段,采用了一种新的后处理策略来迭代地融合相似的超像素,同时通过定义一种不相似度测度来保留极化SAR图像中的强散射点目标。利用两幅实测SAR图像的超像素分割实验结果表明,该算法可以生成均匀的极化SAR图像超像素并很好地保留了强散射点目标。