基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验

基于深度学习融合合成孔径雷达(SAR)和多光谱(MS)图像的方法主要通过增加卷积层数量描述网络模型尺度,但未能提高算法对不同尺度空间细节特征的提取能力。该文设计双分支的多尺度残差融合嵌套连接网络架构(Double-branch Multiscale Residual-fusion Nested-connections Net,DMRN-Net),将融合任务划分为细节提升和光谱保持两部分:在细节提升分路中,将SAR和MS图像中的高频信息分别经过多深度特征提取层、多尺度残差融合网络层及嵌套连接解码器得到重建图像;在光谱保持分路中,通过融合上采样后的MS图像和细节提升分路结果,将光谱信息注入融合图像中,从而得出融合结果。通过DMRN-Net和传统算法以及普通双分支网络的对比实验表明,DMRN-Net在主观判断和客观评价上均取得较好的融合结果,能在保持光谱信息的基础上,进一步增加图像的空间细节信息,验证了DMRN-Net在图像融合领域的重要价值。

基于扩张图卷积网络的SAR图像分类

合成孔径雷达(Synthetic Aperture Radar, SAR)图像存在相干斑噪声,且样本数量少,导致特征提取困难。为了提取更有表征力的特征,本文提出了一种基于扩张图卷积网络,用于SAR图像分类。该网络构造了一个新的残差扩张图卷积(Residual Dilated Graph Convolutional, RDGC)模块。RDGC模块包含3个不同扩张率的图结构,通过卷积提取不同感受野的特征,并能够调整感受野的大小,以适应不同尺度的特征信息;在此基础上,叠加多个RDGC模块,通过将每个RDGC模块的输出进行特征融合,提取较多的细节信息;最后,将SAR图像经过粗提取后的特征附加在其上,形成全局的残差连接,在高层语义特征中融入低层空间特征,进一步补充细节信息,且避免了特征丢失和梯度消失。在两幅真实SAR图像上进行实验,结果表明:改进的图卷积网络模型优于现有网络的分类效果和性能。

基于双边加权核图割的SAR图像变化检测

为解决SAR图像因相干斑噪声严重而影响变化检测结果的问题,该文从像素级和区域级两个角度对SAR图像的空间邻域关系进行研究,提出一种基于双边加权核图割的SAR图像变化检测算法。首先通过均值比算子生成差异图,并利用核函数隐式地将差异图转换为图割能量函数的一元项;然后分别针对邻域内像素的空间上下文关系与以像素为中心的区域空间上下文关系进行研究,将其量化为图割能量函数的二元项。选取Ottawa和Mexico fire两组SAR数据集对算法进行验证,该算法平均总体精度为98.44%,Kappa系数相比PCA-Kmeans、FLICM、MRFFCM、KGC算法分别提高了4.64%、6.16%、4.15%和5.04%,证明该算法能够提高变化区域和非变化区域之间的可分离性,对噪声严重的SAR图像的抗噪能力较强,且图像边缘定位准确。