融合门控多尺度边缘注意力与自适应散射-畸变解耦的SAR图像建筑物分割方法

《Scientific Reports》：A deep learning method for building semantic segmentation in SAR remote sensing images

　　

摘要

从合成孔径雷达（SAR）图像中准确分割建筑物对于全天候城市制图、变化检测和灾后评估具有重要意义。然而，斑点噪声、侧视成像、散射重叠和几何畸变往往导致边界模糊、建筑物区域不完整以及建筑物与背景杂波之间的混淆。为了解决这些问题，本研究提出了一种改进的DeepLabV3+框架，其中融合了门控多尺度边缘注意力模块（GMEAM）和自适应散射-畸变解耦模块（ASDDM）。GMEAM将多尺度上下文建模与门控边缘选择相结合，以增强可靠的建筑物轮廓同时抑制噪声引起的响应。ASDDM利用可变形特征采样和前景-背景置信度建模来适应不规则的建筑物几何形状并减少散射相关的歧义。在公开数据集SARBuD1.0和HR-SARBuD上的实验表明，该方法在区域级和边界级评估指标上均取得了优异的表现。消融实验和可视化结果进一步表明，GMEAM提高了边界定位精度，而ASDDM增强了在几何畸变和复杂散射干扰下的结构恢复能力。所提出的框架为复杂SAR场景中的二值建筑物提取提供了一种有效的方法。