基于非局部与区域级条件随机场及边缘保持的极化SAR图像分割方法研究
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Polarimetric SAR Image Segmentation Based on Non-Local and Region-Level Conditional Random Field Model With Edge Preserved
【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:
本文针对极化合成孔径雷达(PolSAR)图像分割中存在的孤立像素误分割、多尺度目标适应性差及边界细节丢失三大挑战,提出了一种融合非局部连接、区域级约束与边缘保持机制的NRLCRF-EP模型。该模型通过构建像素级非局部关联与多尺度区域级连接,显著提升了复杂场景下的分割精度与边缘保持能力。在23组多源PolSAR数据上的实验表明,该方法在Precision(85.31%)、mIoU(68.87%)和Edge-IoU(70.41%)等指标上均显著优于现有方法,为高精度极化SAR地物解译提供了有效技术支撑。
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)作为一种主动微波遥感技术,能够全天候、全天时获取地物目标的全极化散射信息,在军事侦察、资源勘查、环境监测等领域具有广泛应用。然而,由于相干成像机制固有的 speckle noise(散斑噪声)干扰,以及地物目标散射特性的复杂性,PolSAR图像分割始终面临三大技术瓶颈:一是散斑噪声导致孤立像素的误分割;二是传统方法对多尺度地物目标的适应性不足;三是分割过程中边界细节的严重退化。这些问题严重制约了极化SAR数据在高精度地物分类、目标识别等下游任务中的应用效果。
现有分割方法主要分为两类:基于空间相关性的传统方法(如马尔可夫随机场MRF)和基于深度学习的端到端模型。前者过于依赖局部邻域一致性,对噪声和旁瓣干扰敏感;后者通过多次下采样操作会导致特征图分辨率下降,引发边缘模糊和细节丢失。此外,现有模型未能充分挖掘极化SAR数据中丰富的极化信息,且难以有效建模非局部空间关联与多尺度结构特征。
针对上述问题,清华大学电子工程系杨健教授团队与西北工业大学软件学院刘春副教授课题组联合提出了一种创新性的NRLCRF-EP(Non-local and Regional-level Conditional Random Field with Edge Preservation)框架。该研究发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》,通过协同整合像素级非局部连接、多尺度区域级连接和边缘保持机制,实现了极化SAR图像分割精度与边界完整性的显著提升。
研究团队采用三项核心技术构建模型:首先,在稀疏CRF(Conditional Random Field)基础上引入像素级非局部连接,通过 patch similarity(块相似度)计算建立远程依赖,缓解因相似散射特性非局部分布导致的孤立像素误分割;其次,设计改进的SLIC(Simple Linear Iterative Clustering)超像素分割算法,结合似然比距离度量实现区域划分,增强模型对多尺度目标的适应性;最后,嵌入最大似然边缘检测模块,将边缘强度转化为概率形式并融入能量函数,在能量最小化过程中保持边界连续性。
模型能量函数包含五个关键组成部分:像素级一元势函数(ψu)基于Wishart分布建模观测似然;像素级配对势函数(ψp)涵盖局部与非局部连接,通过权重参数a、b平衡空间约束强度;区域级一元势函数(ψuR)对超像素内像素似然概率平均化,提升均匀区域标签一致性;区域级配对势函数(ψpR)根据区域间极化特征相似性施加惩罚项;边缘概率P(i)通过Sigmoid函数转换最大似然边缘检测结果,动态调整配对势权重以避免边界过度平滑。
改进的SLIC算法通过融合空间欧氏距离与色彩似然比距离,显著提升了超像素生成质量。实验表明,采用改进SLIC的NRLCRF-EP在Edge-IoU指标上达到70.41%,较传统SLIC提升1.08个百分点,证明似然比距离更契合极化SAR统计特性。
在涵盖RADARSAT-2、GAOFEN-3等5种传感器的21组数据上,NRLCRF-EP在海洋、城市、植被三分类任务中全面领先:Precision达87.09%,较稠密CRF提升8.51%;mIoU为71.50%,显著高于DeepLabV3(44.47%)和SegFormer(56.20%)。可视化结果(图7-13)显示,该方法能清晰分离海岸线、城市建筑与植被覆盖区,对多尺度场景具有强鲁棒性。
在EMISAR(8类)和AIRSAR(15类)复杂场景测试中,NRLCRF-EP的Precision分别达70.56%和62.67%,较Mixture Wishart MRF提升19.85%和14.12%,验证了模型对多类别、细粒度地物分割的泛化能力。
逐步添加非局部(NL)、区域级(RL)和边缘保持(EP)模块的消融实验表明:单一NL模块使mIoU提升8.67%,RL模块进一步提升11.91%,EP模块最终将Edge-IoU优化至70.41%。三者协同作用有效解决了散射混淆区域的误分割问题(图14),证实了多尺度约束与边缘保持机制的必要性。
该研究通过系统性地融合非局部建模、区域级语义约束与边缘保持技术,构建了兼顾细节精度与结构一致性的极化SAR图像分割新范式。NRLCRF-EP模型在保持较低计算复杂度的同时(时间复杂度O(κ·|N|)),显著提升了复杂场景下的分割鲁棒性,为高精度极化SAR地物解译提供了可靠的理论框架与技术工具。未来工作可进一步探索模型在动态监测、灾害评估等实时应用中的潜力,并拓展至多时相、多频段极化SAR数据联合分析场景。
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