最近,基于图的半监督分类引起了人们对遥感的极大兴趣,因为它只能利用少量标记的样本和大量未标记的样本来增强各种类型地形的分类精度。 但是,在大多数常规方法中,多个特征(例如,散射成分,纹理,颜色等)被串联在一起,成为一个长向量,用于图形构建和分类。 这不仅忽略了特征的物理属性,而且导致了所谓的维数诅咒,并限制了分类的性能。 在多视图机器学习的启发下,我们提出了一种空间多属性图模型,并对极化合成Kong径雷达(PolSAR)数据的属性进行了排序,以进行地形分类。 它首先基于不同的相似性度量根据特征组的物理属性构造多个图形,然后为每个图形自动优化平衡权重,并结合像素之间的空间信息以进行标签传播和分类。 由于考虑到来自PolSAR数据的物理属性以进行特征融合和图形构建,因此可以避免机械上的特征堆叠和尺寸诅咒。 对合成的PolSAR数据和实际数据进行的实验结果表明,与现有的基于图的最新方法相比,仅少量标记的样本可用时,该方法的分类精度有所提高。 我们的经验研究还表明,协方差矩阵在PolSAR分类中起主要作用。