1.一种极化卫星影像分析方法，其特征是包括步骤：

1)数据切片：将以图像表示的原始SAR样本分割为若干大小相同的图像片段，便于后续处理；将数据切片按照调度规则分发给对应处理器/处理机进行处理；

2)数据映射：为数据切片中的各点建立索引，再将数据切片的上下文特征和极化特征合并映射到高维特征空间，形成“索引‑高维特征向量”；

3)高维向量空间聚类：对所有数据切片分别执行一次空间聚类，默认按邻域距离将当前数据切片中的数据划分到稠密类和稀疏类两个集合中；其中稠密类中包含若干个稠密数据簇；稀疏类中包含若干个稀疏数据簇，并且噪声数据被划分到稀疏集合中；重复这一操作直到所有的数据切片完成空间聚类为止；

4)簇规约：对完成空间聚类所有的数据切片进行汇聚，按照各簇中各聚集元素构建的高维空间边界进行簇规约操作，合并边界相同的簇形成最终汇聚簇集合；

5)簇分类：根据实际应用需要，由用户定义分类标签，在分类标签的监督下完成最终汇聚簇的分类、评价与应用。

2.根据权利要求1所述的方法，其特征在于数据切片方法具体为：

根据待处理图像的大小和处理机/处理器数量，设定合适的数据分割策略和分割尺度，按照均分法将待处理的图像均分，然后分发给n台处理器/处理机进行处理。

3.根据权利要求1所述的方法，其特征在于数据映射方法具体为：

将极化卫星图像的二维空间分布坐标(x,y)作为上下文特征，将极化颜色RGB、YUV或YCbCr等颜色格式作为极化特征；融合上下文特征和极化特征到统一的高维特征向量空间，形成高维特征向量集合[index,x,y,R,G,B]。

4.根据权利要求1所述的方法，其特征在于空间聚类方法具体为：

如待处理的极化颜色特征较少时，使用RGB极化特征展开距离聚类，从而减少运算量提高计算速度；

当待处理的极化颜色特征较多时，使用高维特征向量[x,y,R,G,B]进行空间聚类，默认采用邻阈距离聚类方法进行聚类。

5.根据权利要求4所述的方法，其特征在于按特征在特征颜色空间中的分布密度判定极化颜色特征较少或较多：分布密度高于10％判断为较多。

6.根据权利要求4所述的方法，其特征在于根据极化颜色特征的数目判定极化颜色特征较少或较多：极化颜色特征的数目超过10类判断为较多。

7.根据权利要求1所述的方法，其特征在于聚类结果按各类别数据的数量总量和密度划分为稠密数据集合、稀疏数据集合；其中，数量较少的噪声数据也被划分到稀疏数据集合中；每个聚类集合中包含若干个具有聚集性倾向的簇，这些簇将构成后续分类的基础。

8.根据权利要求7所述的方法，其特征在于稀疏集合数据密度在每个数据切片中小于

2％；噪声数据为数量小于0.5％的数据。

9.根据权利要求1所述的方法，其特征在于簇规约方法具体为：

所有被处理完毕的数据切片将被汇总到主机中执行簇规约；首先为每个簇构建高维空间外接边界；然后根据各簇外接边界的重合程度进行簇合并；当两个或多个簇的边界相互重叠时，根据重叠程度可以合并这些簇的边界以形成更大的边界，或者将这些簇中的数据合并为一个新的数据切片送入步骤3)再次执行空间聚类，直至这些数据被划分到明确的簇集合中。

10.根据权利要求1所述的方法，其特征在于簇分类方法具体为：

用户根据实际应用需要定义分类标签L，分类标签L对应的特征，分类标签数量为k个；

如果分类标签数量k与簇集合数量m相同即k＝m，并且m个簇的特征中心与分类标签L的特征相同，则完成分类要求；如果m个簇或其中某个簇x的特征中心与分类标签L的特征不同，则将该簇看作是噪声从当前处理过程中删除；

如果k≠m，则需要对m各簇按照L的特征进行簇合并，形成新的簇集合m'，重复这个步骤直到k＝m'，最终完成簇分类，由此完成极化卫星图像的分析工作。