粗粒度类别信息引导的精细化遥感地物分类

来源：信号处理杂志 2025年第8期北京时间：

作者：陈禾, 郭华哲, 董珊, 庄胤

摘要：地物分类是遥感图像解译的重要任务之一，可以精细地分析地形地貌，在城市规划、灾害监测等领域发挥着十分重要的作用。合成孔径雷达（Synthetic Aperture Radar，SAR）图像由于全天时、全天候、分辨率高、覆盖面积大的特点在地物分类领域应用广泛。然而，SAR图像同时也有很多的限制： SAR图像由于独特的成像机制包含大量的阴影和噪声；高分辨率的SAR遥感图像地物分布复杂，目标尺度差异大，缺乏色彩信息，容易产生边界模糊和类别混淆的问题。对此，本文提出了粗粒度类别信息引导的精细化地物分类方法，利用多尺度语义特征和粗略类别信息引导来增强模型的有效语义特征提取能力和类别判别能力，提高模型的分割性能。针对SAR图像包含大量阴影和噪声的问题，利用残差神经网络（ResNet50）提取多尺度编码特征，通过跳跃连接的解码器和多尺度空洞卷积金字塔池化模块（Atrous Spatial Pyramid Pooling，ASPP）提取图像的多尺度语义特征，增强上下文建模能力，更好地保持边缘和结构信息，增强对噪声干扰的鲁棒性。针对SAR图像地物边界模糊和类别混淆的问题，设计了粗粒度类别信息引导模块，利用类空间特征和语义空间特征生成动态的语义原型，并进一步对语义空间特征进行加权，增强不同地物类别间的判别性。在WHU-OPT-SAR数据集的SAR图像上进行实验，结果表明该算法在保持边缘清晰度的同时提高了对复杂场景中语义结构的判别能力，特别对道路、水域等易混淆语义类别的分割精度显著提升。

关键词：合成孔径雷达, 地物分类, 多尺度特征, 语义原型