极化SAR(polarimetric synthetic aperture radar,PolSAR)采用水平极化和垂直极化的方式交替发射与接收雷达信号,测量的数据不仅仅是目标的后向散射系数,而是复散射矩阵或复协方差矩阵,因此极化SAR数据包含了更完整更丰富的目标信息,为深入研究地物目标的散射特性提供了重要依据。随着越来越多星载/机载极化SAR系统的成功研制与应用,海量的极化SAR图像资源被获取,为分析和解译极化SAR图像提供了必要的数据支持。极化SAR图像分类是图像解译中一个既实用又关键的步骤,其目的在于根据分类单元特性的异同,将其归入不同的地物类别,能够揭示图像的结构和本质,为极化SAR系统的自动目标识别与检测奠定了基础,在民用和军事领域中的作用也日渐突出。为此,本论文对极化SAR图像分类技术展开研究。本论文以极化SAR图像为研究对象,以随机场模型为基础理论,从提高统计分布普适性、提高模型抗噪性和边界保持性、实现随机场模型的快速和无监督改进、实现极化SAR图像的多特征提取与融合等方面展开基于统计分布和随机场模型的极化SAR图像分类算法研究。本论文的研究内容和研究成果主要概括为以下五个部分:第一部分针对广义伽马分布(generalized Gamma distribution,GΓD)在统计建模中的高度灵活性和普适性,以极化乘积模型为基础提出了Wishart广义伽马(Wishartgeneralized Gamma,WGΓ)分布,并将其应用到极化SAR图像分类中。该分布释放了Wishart分布、K分布和KummerU分布在极化SAR数据统计建模中的局限性,能够对均匀区域、不均匀区域和极不均匀区域等多种地物类型进行很好的拟合。本部分主要工作包括:从理论和实验两方面分析了GΓD在极化SAR数据纹理建模中的优势;在极化乘积模型框架下,利用Wishart分布和GΓD分别对相干斑噪声分量和纹理分量进行建模,推导WGΓ分布的闭合表达式;基于矩阵对数累积量(method of matrix log-cumulants,MoMLC),提出WGΓ分布的参数估计方法;将该分布引入MRF框架下实现极化SAR图像分类。实验结果表明,相比于K分布和KummerU分布,WGΓ分布能够对不同地物类型提供更好的拟合效果。第二部分针对极化SAR数据各个统计分量之间存在的相关性及各个统计分量在模型推断中存在的差异性,提出了基于MWGГ-MRF混合模型的极化SAR图像分类算法。该算法实现了各个统计分量间相关性的保持,以及图像空间上下文信息和边界信息的有效融合,具有较好的区域区分能力、噪声抑制能力以及边界保持能力。本部分主要工作包括:在混合模型框架下,提出WGГ混合模型(WGГmixture model,WGГMM);结合指数加权平均比(ratio of exponentially weighted average,ROEWA)算子和多级逻辑模型(multilevel-logistic,MLL)构造相关项模型,利用WGГ分布构造似然项模型,然后将相关性和似然项引入混合模型的每一分量中,构造相应的能量函数,进一步构造混合能量函数;在混合能量函数的基础上构造MWGГ-MRF混合模型,并基于采用条件迭代期望(iterative conditional estimation,ICE)方法为该模型制定详细的参数估计方法;最后基于MWGГ-MRF混合模型实现极化SAR图像分类。仿真数据和实测极化SAR图像的分类结果和分析验证了该算法的有效性。第三部分针对极化SAR数据中极化散射机制模糊特性的有效融合,提出了基于模糊三重判别随机场(fuzzy triplet discriminative random field,FTDF)模型的极化SAR图像分类算法。该算法对极化散射机制的模糊性进行了有效的分析和建模,能够在分类过程中有效地保持主散射机制(dominant scattering mechanism,DSM)信息,提升分类精度。本部分主要工作包括:分析并定义极化散射机制的模糊性,利用辅助场对其进行描述;在辅助场的指导下,构造FTDF模型,对于具有明确DSM的像素点,FTDF模型通过核k均值(kernel k-means,KKM)算法融合了极化SAR图像的多个极化特征来改善分类结果,对于具有模糊DSM的像素点,FTDF模型引入了模糊c均值聚类算法使分类结果更可靠;最后利用条件迭代模式(iterative conditional models,ICM)方法实现极化SAR图像分类。实验结果表明本算法具有较高的分类精度,非常适合处理复杂场景下的极化SAR图像分类问题。第四部分针对传统的基于像素的判别随机场模型计算效率低的问题,提出了基于超像素混合判别随机场(superpixel-based hybrid discriminative random field,sp-HDRF)模型的极化SAR图像分类算法。该算法通过超像素分割使模型能够考虑更多的方向和空间信息,且减少了分类单元的数量,因此能够同时提高模型的抗噪性和计算效率。本部分主要工作包括:利用ROEWA算子和对称的修订Wishart距离改进简单线性迭代聚类(simple linear iterative clustering,SLIC)算法的初始化步骤,设计基于改进SLIC算法的超像素生成过程;在超像素图上构造了sp-HDRF模型,该模型的一元势能函数与FTDF模型构造方法相同,二元势能函数能够自适应地确定邻域超像素个数,统计分布特性利用Wishart分布来描述;最后利用ICM方法得到极化SAR图像的分类结果。分类结果和计算时间的对比分析表明该算法能够在保证抗噪性的同时提高计算效率,为快速实现极化SAR图像分类提供了思路。第五部分针对实测极化SAR图像类别数目难以确定的问题,提出了基于狄利克雷马尔可夫(DPMM-SMMRF)混合模型的无监督极化SAR图像分类分割算法。该算法有效地结合了狄利克雷过程混合模型(Dirichlet process mixture model,DPMM)和马尔可夫随机场(Markov random field,MRF)模型的双重优势,能够在保证抗噪性的基础上自动地确定图像中的类别数目。本部分主要工作包括:基于邻域极化协方差矩阵之间的相似度测量,结合MRF模型和DPMM模型构造类别标记的先验分布;将单一的高斯分布拓展到多维高斯分布(multi-dimensional Gaussian distribution,MGD)对多维极化SAR特征进行建模,构造观测数据的似然分布;推导DPMM-SMMRF混合模型的条件概率分布,并在Bayes框架下推导类别标记和模型参数的条件后验概率分布,然后依据Gibbs采样算法估计类别标记和模型参数;循环迭代,直到标记场趋于稳定。实验结果验证了该算法的有效性,在无监督的极化SAR图像分类中具有很好的应用前景。