用于SAR图像变化检测的小波引导注意力卷积小波神经网络

《Pattern Recognition Letters》：Wavelet-guided attention convolutional wavelet neural network for SAR image change detection

　　

• •
  乘性域变化证据保留了SAR斑点特征。
• •
  剪切波特征与统计特征通过方差驱动加权进行融合。
• •
  感知不确定性的伪标签选择提高了训练样本的可靠性。
• •
  结合门控与注意力的DT-CWT池化精炼了多尺度表示。
• •
  WGA-CWNN在基准SAR数据集上取得了高达98.91%的PCC值。

引言

SAR图像变化检测对于各类遥感应用至关重要，包括环境监测、灾害评估、城市发展和海冰分析等[1]。与光学遥感不同，SAR能够在不受光照和天气条件影响的情况下实现可靠的多时相观测。然而，由于乘性斑点噪声的存在，准确的变化检测仍然充满挑战，这使得变化区域与未变化区域的区分变得复杂[2]、[3]、[4]。

现有的SAR变化检测方法采用多种策略来构建判别性变化表示并减轻斑点噪声的影响。在所提框架的语境下，最相关的研究可大致分为基于学习的方法和基于小波的多尺度方法。以下将回顾这两个方向，并突出它们与WGA-CWNN之间的关系。

基于CNN和深度学习的方法通过将基于学习的特征提取与聚类和预处理策略相结合，在SAR变化检测中展现了强大的性能。现有研究包括结合模糊c均值聚类的CNN框架以实现鲁棒分类[5]，以及基于PCANet的方法，其中PCA滤波器充当卷积核来学习邻域特征并提高对斑点噪声的鲁棒性[6]。双域CNN融合空间域与频率域特征以增强变化判别能力[3]，而多级特征融合和基于U-Net的框架则针对复杂的变化检测和分割问题[7]、[8]。深度网络也被探索用于感知保持的图像表示[9]。增强注意力的模型如LANTNet自适应加权多级特征并引入噪声容忍学习以减轻不准确的伪标签问题[10]。更近期的方法如CAMixer利用特征交互进行变化表示，而WBANet采用基于小波的注意力机制来捕获多尺度信息[11]、[12]。尽管这些方法提供了有效的空间、多尺度和注意力引导的特征学习，但可靠构建初始变化证据以及控制在伪标签生成过程中的不确定性仍是重要的考量。

基于小波的方法利用多分辨率表示来提高SAR变化检测中对斑点噪声的鲁棒性。代表性方法包括CWNNs，它将小波域特征与基于学习的分类相结合以增强噪声抑制和检测精度[13]，以及结合双树复小波变换和虚拟样本生成的CWNN变体以缓解训练数据有限的问题[14]。小波域处理还采用能量相关和统计子带建模进行变化检测[15]。在相关的SAR成像研究中，束宽滤波已被研究用于SAR图像质量增强[16]。这些方法证明了多分辨率表示在定位结构变化方面的有效性。然而，其性能也取决于变化表示和训练样本的可靠性，而固定的小波响应可能保留冗余或以噪声为主导的信息。特别是，传统的基于CWNN的方法主要采用小波表示进行特征提取和分类。WGA-CWNN的不同之处在于，它将比值域变化证据与方向性和局部统计描述子相结合，同时引入感知不确定性的伪标签选择，并通过幅度感知的门控与注意力机制对DT-CWT响应进行自适应精炼。这种组合使得变化证据生成和后续的多尺度特征学习阶段能够在统一的变化检测框架中得到解决。

尽管基于学习的SAR变化检测取得了重大进展，但仍存在三个密切相关的问题。首先，乘性斑点噪声可能扭曲初始变化表示，直接影响后续伪标签生成的可靠性。其次，基于聚类的伪标记可能引入不确定或标记错误的样本，这些样本可能在网络训练过程中传播误差。第三，尽管多尺度和基于注意力的表示改善了特征判别能力，但冗余或以噪声为主导的响应仍可能掩盖细微的变化信息。因此，联合提高变化证据可靠性、伪标签置信度和判别性多尺度特征学习仍是一个重要的未解决问题。

为解决上述问题，WGA-CWNN将比值域变化证据与方向性和局部统计信息、感知不确定性的高置信度伪标签选择，以及使用幅度感知门控与注意力的基于DT-CWT的特征精炼相结合。这在统一框架内改善了从证据构建到多尺度特征学习的变化信息可靠性。主要贡献总结如下：

• 1.
  利用SAR强度比构建乘性域变化表示，直接表征相对后向散射变化，无需传统的对数比值变换。
• 2.
  提出一种混合多尺度描述子，通过方差驱动的自适应融合将方向性剪切波特征与局部统计量相结合，生成可靠的变化证据图。
• 3.
  设计一种感知不确定性的模糊c均值聚类伪标记机制，选择高置信度的训练样本同时排除模糊像素，从而减少标签噪声。
• 4.
  设计WGA-CWNN架构，其中基于DT-CWT的小波池化实现多分辨率特征学习，采用幅度感知的高频门控与基于注意力的低频精炼。

本文其余部分组织如下。第2节介绍所提出的SAR变化检测框架。第3节描述实验设置并在基准SAR数据集上评估所提方法。第4节总结本文并讨论未来研究方向。

章节摘要

所提方法

所提出的框架旨在从受乘性斑点噪声影响的SAR多时相图像中学习鲁棒的变化表示。它首先利用混合多尺度描述子、方差驱动的特征融合和感知不确定性的聚类来构建比值域变化证据。随后利用高置信度的变化与未变化样本生成上下文自适应图像块和不确定性引导的虚拟样本以训练WGA-CWNN。在推理过程中，模糊样本被

实验结果与分析

本节在一致实验协议下，针对三个基准SAR变化检测数据集对WGA-CWNN进行评估。采用定量与定性指标与现有最先进方法进行性能比较，随后进行统计显著性、消融、鲁棒性和计算效率分析，以评估性能可靠性、各组件贡献及实际应用效率。WGA-CWNN基于Python在PyTorch框架下实现，并在Google Colab上执行

结论与未来工作

本文提出了WGA-CWNN用于斑点噪声条件下的鲁棒SAR图像变化检测。该框架将比值域变化证据与方向性及统计特征融合、置信度感知的伪标签选择，以及基于DT-CWT的多分辨率学习和幅度感知门控与注意力机制相结合。在渥太华、苏尔茨伯格和黄河数据集上的实验表明具有竞争力的性能，PCC值分别为98.84%、98.91%和96.52%。消融

CRediT作者贡献声明

Satyakam Baraha：撰写 – 原稿、验证、软件、方法论、调查、形式化分析、概念化。Santhosh Kumar Buddepu：验证、方法论、调查。Bikash Kumar Pradhan：验证、形式化分析、数据管理。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

Satyakam Baraha | Santhosh Kumar Buddepu | Bikash Kumar Pradhan