通过SAR-光学图像融合 (IF) 和图像翻译 (IT) 在遥感图像中增强语义细分
Chongqi Xu1, Zhe Geng2, Linyi Wu1
1College of Electronics and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, 211106, China.
Scientific reports
|October 10, 2025
概括
这项研究引入了一个新的DeepLab+IFIT策略,该策略结合了合成光圈雷达 (SAR) 和电光 (EO) 图像融合和翻译,以改进语义细分,在基准数据集上实现高精度.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 地理空间分析的研究.
背景情况:
- 高准确度遥感依赖于SAR和EO图像,每一个都有互补的优缺点.
- 现有的方法通常侧重于图像融合 (IF) 或图像翻译 (IT),限制了它们的有效性.
- 结合SAR和EO数据对于强大的语义细分至关重要.
研究的目的:
- 开发一个联合的图像融合和翻译策略,以使用SAR和EO图像来增强语义细分.
- 解决现有方法的局限性,这些方法仅专注于IF或IT.
- 在各种遥感场景中提高语义细分的准确性和稳定性.
主要方法:
- 一种混合方法,结合SAR-光学IF使用非亚样本轮变换和强度-色彩和来获得高质量的EO图像.
- 一个端到端的SAR到光学IT网络,基于噪音或不可用EO图像的场景的扩散模型.
- 融资和IT战略在DeepLab语义细分框架中的整合.
主要成果:
- 拟议的DeepLab+IFIT战略在SpaceNet6数据集上实现了94.86%的平均准确率 (aAcc) 和87.11%的mIoU.
- 在AIR-MD-SAR-Map数据集中,该战略获得了95.96%的aAcc和80.49%的mIoU.
- 该方法在与几种经典语义细分网络相比显示出更高的性能.
结论:
- 联合利用IF和IT为多式联络遥感数据的语义细分提供了显著的优势.
- 开发的策略为在不同的图像质量条件下进行语义细分提供了强大的解决方案.
- 深度实验室+IFIT方法推进了遥感图像分析的最先进技术.
