基于Mamba的SAR图像超分辨率与斑点噪声重建:一种遥感应用新方法
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:A Mamba-Based Approach for Super-Resolution and Speckle Noise Reconstruction of SAR Images in Remote Sensing Applications
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本文针对合成孔径雷达(SAR)图像存在的乘性斑点噪声和分辨率受限问题,提出了一种名为MambaR-ESRGAN的统一恢复框架。该研究将Mamba的状态空间建模嵌入Real-ESRGAN骨干网络,通过残差中的残差Mamba块(RRDM)有效捕获长距离上下文同时保持局部细节结构。实验结果表明,该方法在PSNR和SSIM指标上分别比原始Real-ESRGAN提升9.4%和16.4%,在边缘清晰度和线性特征保持方面表现出色,为洪水 delineation、道路 mapping 和船舶检测等下游应用提供了有力支持。
在当今快速发展的技术时代,环境变化正以前所未有的速度发生,从过度资源开采到工业化进程,再到空气污染,这些人类活动加速了森林退化和冰川退缩。准确及时的监测对于有效减缓这些变化至关重要,而遥感技术通过提供详细、可重复的大规模地球表面观测,为此提供了实用解决方案。
尽管光学遥感因其丰富的光谱信息和高空间分辨率而广泛应用,但其对阳光的依赖和易受天气影响的特性限制了适用性。与此相反,合成孔径雷达(SAR)克服了这些限制,能够在所有天气和光照条件下正常工作。SAR还具有穿透植被和土壤的能力,能够揭示地下结构,从而实现更准确的土地特征识别和分类。
然而,SAR图像固有地受到斑点噪声的影响,这种噪声会降低视觉质量并使分析复杂化。斑点噪声是一种乘性噪声,表现为亮暗斑点,其强度随底层信号强度而变化,产生颗粒状外观,严重降低图像质量并模糊重要结构细节。在SAR船舶检测任务中,较小的船舶细节可能被斑点噪声扭曲,增加了跟踪船舶运动的难度;在低信号情况下(如油膜检测),斑点噪声带来了重大挑战;在洪水检测任务中,斑点噪声会改变后向散射强度,降低SAR图像检测洪水区域的准确性。
传统去噪滤波方法(如Lee滤波器和Frost滤波器)计算速度快且实现相对简单,但它们严重依赖手动调整参数和自适应窗口大小,处理不同地形类型的能力有限,导致过度平滑或去噪不足。虽然机器学习方法提供了有前景的途径,但传统方法仍受限于配对标记数据的依赖、窗口大小选择不足以及对复杂噪声模式处理灵活性不足。
近年来,深度学习在从原始数据中学习层次表示方面发挥了关键作用,彻底改变了特征提取方法。卷积神经网络(CNN)和生成对抗网络(GAN)等模型能有效捕获局部特征,但由于对均方误差(MSE)和感知损失的依赖,以及捕获全局上下文能力有限,常常导致过度平滑。Transformer通过自注意力机制建模全局依赖关系,实现了灵活的全局交互,显著改善了上下文理解,但其高计算成本仍然是一个缺点。
为克服这些限制,Gu和Dao提出的Mamba用选择性状态空间模型取代了注意力机制。其线性架构在减少内存开销的同时捕获多状态间的长距离依赖关系,这些特性使Mamba成为SAR图像去噪的有前景解决方案,既提供了效率又具有强大的全局上下文建模能力。
本研究提出了MambaR-ESRGAN,一个将超分辨率和去斑联合执行的统一SAR恢复框架。通过将Mamba的状态空间建模嵌入Real-ESRGAN骨干网络,研究团队设计了残差中的残差Mamba块(RRDM),这些块能有效捕获长距离上下文同时保持精细局部结构,实现准确的斑点抑制而不丢失边缘细节。
MambaR-ESRGAN框架包含四个关键组成部分:预处理阶段、Real-ESRGAN基线、Mamba模块集成以及多损失函数优化。预处理阶段采用边缘感知、低信号掩膜、自适应去噪和锐化技术,为深度学习模型提供更清晰、更干净的输入数据。Real-ESRGAN作为基线模型,以其在性能和计算成本之间的良好平衡而被选择,其生成器网络采用残差中的残差密集块(RRDB)进行特征提取。Mamba模块通过状态空间方程(公式1:?(t)=Ax(t)+Bu(t)和公式2:y(t)=Cx(t)+Du(t))有效建模长距离空间依赖关系。损失函数结合了均方误差损失(公式3)、感知损失(公式4)和生成对抗网络损失(公式5),在像素级精度和感知质量之间取得平衡。
研究团队使用慕尼黑工业大学数据集进行训练,包含8000张不同场景和条件下的噪声图像,测试则采用高分辨率SAR图像数据集(HRSID),分辨率范围从0.5米到3米,涵盖城市地区、海区和森林等多种地形。
实验结果显示,MambaR-ESRGAN在PSNR和SSIM指标上均显著优于基线方法。具体而言,MambaR-ESRGAN实现了26.43 dB的平均PSNR,比原始Real-ESRGAN的24.16 dB提高了2.27 dB(提升9.4%);SSIM值达到0.8226,比Real-ESRGAN的0.7065提高了0.1161(提升16.4%)。在遥感应用中,接近30 dB的PSNR值通常适用于灾害监测和城市制图等任务,而约0.8的SSIM值表明图像与原始对应物非常相似。
视觉质量评估进一步证实了MambaR-ESRGAN的优越性。在港口建筑场景中,MambaR-ESRGAN成功减少了低信号区域的噪声,同时保持了高信号区域的结构完整性。与SRCNN引入的不自然伪影和Real-ESRGAN的过度平滑相比,MambaR-ESRGAN在保持结构完整性的同时实现了更好的去噪效果。
在船舶检测场景中,MambaR-ESRGAN成功增强了船舶边界,同时保持了结构完整性。船舶保持了其原始结构,没有过度平滑,显示出清晰的边缘、线条和边界,便于结构解释。PSNR值提高1.92 dB表明MambaR-ESRGAN减少了与原始图像的像素差异。
在结合城市基础设施和水体的复杂场景中,MambaR-ESRGAN在低信号区域有效降低了噪声,同时保持了高信号区域的结构。与SRCNN无法有效处理高噪声水平和Real-ESRGAN过度平滑细节相比,MambaR-ESRGAN保持了相同结构,噪声更少,边缘增强。
直方图分析显示,在复杂地形情况下,原始噪声观测由于混合散射体而呈现广泛分布,Real-ESRGAN产生更窄更尖锐的峰值,表明强噪声抑制但存在过度均匀化趋势。MambaR-ESRGAN在抑制斑点的同时保持了更接近噪声观测的分布形状,从而保留了异质后向散射统计。在船舶场景中,MambaR-ESRGAN实现了更平衡的响应,强散射特征在下游任务中保持可见。
消融研究验证了各个组件的贡献。单独使用Mamba使PSNR从24.16 dB提高到25.45 dB,SSIM从0.7065提高到0.7758;单独使用预处理管道使PSNR提高到25.98 dB,SSIM提高到0.7804;而结合Mamba、Real-ESRGAN和预处理管道则实现了最高的26.43 dB PSNR和0.8226 SSIM。
该研究的结论强调,MambaR-ESRGAN通过将Mamba的状态空间建模嵌入Real-ESRGAN,提供了一种统一的SAR恢复方法,能同时执行超分辨率和斑点去噪。残差中的残差Mamba块设计使模型能够捕获长距离上下文同时保持精细结构,产生比强CNN和GAN基线更高的PSNR/SSIM和改善的感知质量。
研究的重要意义在于其三重贡献:用于全局-局部建模的高效RRMB架构;抑制乘性斑点同时保留边缘的统一恢复设计;以及在洪水 delineation、道路和海岸线制图、船舶和资产检测以及变化检测等方面展示的实际效用。未来展望包括结合多时相建模以利用SAR时间序列中的冗余性实现更稳定的长期监测,应用任务感知优化以更好地使恢复与分割或变化检测等下游任务对齐,以及通过压缩和量化增强规模效率以支持在边缘设备和云平台上的实时部署。
这项研究发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》,为SAR图像处理领域提供了创新解决方案,通过深度学习和状态空间模型的有机结合,显著提升了遥感图像的质量和可用性,为环境监测、灾害管理和城市规划等应用领域提供了更可靠的数据支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号