摘要
从遥感数据中检测洪水变化可以识别灾后淹没区域，为紧急救援和灾后重建提供决策支持。尽管SAR和光学图像的结合有效解决了云层和降雨造成的遮挡问题，但两者成像机制的固有差异给提高洪水变化检测的准确性带来了挑战。此外，现有的基于异构遥感图像的洪水淹没变化检测方法难以区分背景中的小地面物体和实际被淹没的区域。因此，本文提出了一种伪孪生混合膨胀螺旋特征网络（PSiam-HDSFNet）。首先，特征提取流程分别通过五层增强型深度残差块（Enhanced Deep Residual Blocks）和五层残差密集块（Residual Dense Blocks）逐步处理光学图像和SAR图像。设计了一种基于锯齿波状膨胀系数的混合膨胀金字塔（Hybrid Dilated Pyramid, HDP）模块，以增强深度特征的多尺度语义，从而选择性地增强洪水区域的语义特征并减弱来自小地面物体的噪声语义。随后，设计了一种螺旋特征金字塔（Spiral Feature Pyramid, SFP）模块，使SAR和光学图像的深度特征在空间结构和数值分布模式上更加一致，从而使洪水区域的特征更加突出，同时进一步抑制来自小地面物体的噪声语义。之后，在解码器中引入了线性复杂度的Galerkin型注意力机制，快速将洪水的抽象语义信息重构为可解释的洪水特征。最后，设计了Align OPT-SAR（AlignOS）方法来对齐SAR和光学图像的特征，以实现后续的洪水区域检测。在PSiam-HDSFNet与其他14种方法的比较中采用了七项评估指标。结果表明，PSiam-HDSFNet通过提取和处理这两种图像的深度特征而无需进行图像域变换，提高了变化检测的准确性，在四个洪水覆盖范围检测任务中的F1分数分别提高了7.704%、7.664%、4.353%和1.111%。
