摘要
极化合成孔径雷达（PolSAR）图像分类需要联合利用极化散射信息和空间上下文。然而，聚合或传播具有不同散射特性的位置信息可能会混合来自不相似区域的特征，而Mamba中的循环状态传播可能沿扫描路径扩展这种影响。由Segment Anything Model（SAM）从Pauli伪RGB图像生成的与类别无关的区域可能跨越多个土地覆盖类别，从而可能降低直接区域一致性约束的可靠性。本研究提出了一种SAM辅助的散射引导混合选择性Mamba网络（SSHMamba）。该方法从Pauli分量、span以及H/A/α参数构建七通道散射先验。局部分支结合中心向外螺旋重排、一维卷积以及基于空间距离和散射相似度的邻域加权。在长程分支中，散射先验对状态空间参数进行条件化，同时散射相似度和可学习门控调节先前状态的贡献。多方向输出使用逐像素方向权重进行聚合，局部特征和长程特征使用散射先验驱动的逐通道系数进行融合。在训练过程中，SAM候选区域首先通过散射均匀性、预测可靠性和区域面积进行筛选，然后施加软区域一致性约束；推理过程中不使用SAM。在相同的固定数据划分下，三次独立训练运行中，SSHMamba在Flevoland数据集上达到99.12 ± 0.04%的总体准确率（OA）、99.13 ± 0.04%的平均准确率（AA）和0.9904 ± 0.0005的Kappa系数，在San Francisco数据集上达到99.42 ± 0.02%的OA、97.52 ± 0.03%的AA和0.9909 ± 0.0004的Kappa系数。在固定参考运行中，ECP-Mamba在Flevoland上略高的OA（99.30%对比99.16%），而SSHMamba在San Francisco上更高的OA（99.44%对比99.20%）。在Flevoland上，移除完整的散射引导选择性状态传播机制使OA从99.16%降至96.48%。SAM消融实验表明，原始SAM区域上的直接一致性产生97.12%的OA，候选区域可靠性筛选将其提高至98.72%，完整的可靠性控制SAM辅助策略达到99.16%。在DLR E-SAR Oberpfaffenhofen数据集上，SSHMamba在三次运行中达到99.29 ± 0.07%的OA、99.15 ± 0.04%的AA和0.9889 ± 0.0006的Kappa系数，提供了额外的跨传感器和跨场景证据。
