基于交叉极化通道交互与选择性边缘融合的SAR海冰-水分割技术研究

《Remote Sensing》：Sea Ice and Water Segmentation in SAR Imagery Based on Polarization Channel Interaction and Edge Selective Fusion Wei Song, Yixun Chen, Bin Liu, Mengying Ge, Yiji Zhou and Huifang Xu

为了解决复杂冰-水边界地区SAR海冰分割不足的难题，研究人员开展了针对高分辨率SAR图像的极化融合边缘增强UNet（PFEE-UNet）研究。该研究设计了CPCI、DSDE和SEF三个核心模块，有效增强了海冰与开阔水域的区分度和边界连续性。实验表明，该方法在AI4Arctic/ASIP数据集上平均交并比（IoU）达84.48%，性能优于HRNet、DeepLabv3+等主流方法，并在真实Sentinel-1 SAR场景中得到验证，为极地气候变化监测与航行安全保障提供了高效、稳健的技术支撑。

　　

在极地这片冰封的世界里，海冰不仅是调节海洋与大气间热量、气体和动量交换的关键角色，其动态变化也深刻影响着全球气候，并关乎北极航道日益频繁的科考与航运安全。想要精准捕捉海冰的分布与演变，合成孔径雷达（SAR）凭借其全天时、全天候的观测能力，成为当之无愧的“天眼”。然而，从SAR图像中精确地将海冰与开阔水域区分开，却是一项极具挑战的任务。传统的阈值分割、统计模型乃至早期的机器学习方法，往往依赖人工特征，面对复杂多变的海冰纹理、狭窄水道以及受风速海浪影响而模糊的边界，时常“力不从心”。尽管深度学习，特别是U-Net、DeepLab系列等卷积神经网络（CNN）的出现带来了显著提升，但它们依然存在痛点：SAR图像宝贵的多极化（HH和HV通道）信息未能被充分、互补地利用，导致冰水特征区分度不足；网络的下采样过程会损失细节，对局部的纹理突变和复杂的冰-水边界捕捉不精，常常造成分割不完整或边界断裂。这正是当前海冰精准监测与导航安全所面临的“卡脖子”难题。

为了攻克这些难题，一项发表在《Remote Sensing》期刊上的研究，提出了一种名为极化融合边缘增强UNet（PFEE-UNet）的新型网络架构。该研究主要采用了三个关键技术方法：首先，设计了交叉极化通道交互（CPCI）模块，通过组间级联和对称交叉融合策略，深度挖掘HH/HV双极化通道的互补特征。其次，在瓶颈层引入了密集-稀疏多样性增强（DSDE）模块，结合空洞卷积和空间-通道联合注意力机制，增强模型对复杂空间关系的建模能力。最后，在解码器中设计了选择性边缘融合（SEF）模块，动态选择并融合多尺度边缘特征以优化边界轮廓。研究使用的数据来源于公开的AI4Arctic/ASIP海冰数据集V2，该数据集包含2018年3月至2019年12月期间格陵兰岛附近的461景Sentinel-1 C波段双极化（HH/HV）SAR图像。

2.2.1. 整体网络架构

PFEE-UNet的整体架构包含编码器、解码器和边缘增强分支三部分。编码器中嵌入了CPCI模块以增强极化特征融合；瓶颈层使用DSDE模块优化特征表示；解码器则通过SEF模块整合多尺度边缘信息，最终实现端到端的海冰-水高精度分割。

2.2.2. CPCI模块

该模块是编码器的核心单元，采用残差结构，内部通过分组、级联的卷积操作，显式建模HH与HV极化通道之间的互补关系。它将输入特征沿通道维度均匀分为4组，通过跨组特征级联与5×5卷积的深度交互，有效融合了多尺度极化信息，显著提升了特征在区分冰水时的可分性。

2.2.3. DSDE模块

位于网络瓶颈处的DSDE模块，采用并行密集（标准卷积）与稀疏（空洞卷积）采样策略，并结合空间-通道联合注意力机制。这种设计使其能够同时捕捉局部细节和更广泛的上下文信息，有效缓解了因局部纹理突变而导致的错分和漏分问题。

2.2.4. SEF模块

为了解决冰-水边界模糊的问题，研究在解码器各层引入了多尺度边缘检测分支。SEF模块通过自适应注意力机制，对生成的多尺度边缘特征图进行动态加权融合，并将增强后的边缘特征与语义解码特征拼接，从而显著改善了边界轮廓的连续性和精细定位精度。

3. 实验结果

研究在AI4Arctic/ASIP海冰数据集上进行了充分的实验验证。PFEE-UNet取得了平均交并比（IoU）84.48%的优异性能，超越了HRNet（82.52%）、DeepLabv3+（82.40%）等主流分割方法。消融实验进一步证实了CPCI、DSDE和SEF三个模块各自的有效性与协同增益。此外，将训练好的模型直接应用于真实的Sentinel-1 SAR场景进行端到端分割，结果清晰展示了其对于复杂冰水结构、破碎海冰及狭窄水道的强大分割能力和良好的边界保持效果，证明了模型的实用性和鲁棒性。

4. 结论与讨论

该研究成功构建了一个专为高分辨率SAR海冰图像设计的PFEE-UNet分割框架。其核心贡献在于三个方面：一是提出的CPCI模块，解决了双极化信息融合不充分的问题，通过通道交互显著增强了冰水特征判别力；二是DSDE模块，通过多尺度上下文建模增强了对复杂局部模式的表征，减少了误分类；三是SEF模块，通过动态边缘融合机制有效提升了边界分割的连续性与准确性。这三个模块协同工作，在纯粹的CNN架构内实现了极化特征融合与边界约束的联合优化。

这项工作的意义深远。在学术上，它为解决SAR海冰分割中极化信息利用不足和边界模糊这两大长期挑战提供了新颖且高效的思路，所提出的模块设计具有借鉴价值。在应用层面，该方法在公开数据集和真实场景中均表现出卓越性能，为极地海冰的自动化、高精度、业务化监测提供了强有力的技术工具。其成果可直接服务于极地气候变化研究、海冰动力过程分析，并为北极航道的航行安全保障提供关键的冰情信息，具有重要的科学价值与实用前景。未来，该框架有望进一步扩展至更复杂的海冰类型分类、融池检测等任务中。