葉鄉(xiāng)鳳，董張玉，楊學(xué)志

（1合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，合肥 230601；2工業(yè)安全與應(yīng)急技術(shù)安徽省重點(diǎn)實(shí)驗(yàn)室，合肥 230601；3合肥工業(yè)大學(xué) 軟件學(xué)院，合肥 230601；4智能互聯(lián)網(wǎng)系統(tǒng)安徽省實(shí)驗(yàn)室，合肥 230601）

0 引 言

合成孔徑雷達(dá)可以在全天候和晝夜條件下提供高分辨率的圖像。SAR分割的目的是為每個(gè)像素點(diǎn)分配特定的標(biāo)簽，是變化檢測(cè)、目標(biāo)識(shí)別的基礎(chǔ)。常用的分割框架是像素級(jí)，首先采用灰度共生矩陣或變換域?yàn)V波器提取SAR圖像的特征，如小波變換；其次，利用分類(lèi)器對(duì)像素進(jìn)行分類(lèi)，包括隨機(jī)森林（Random Forest）、AdaBoost等。近年來(lái)，深度學(xué)習(xí)體系結(jié)構(gòu)已被證明具有良好的高級(jí)特征表示性能，可以同時(shí)進(jìn)行特征提取和分割。目前，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）的深度學(xué)習(xí)方法取得了良好的性能。

但是上述網(wǎng)絡(luò)模型只能在規(guī)則的正方形的區(qū)域進(jìn)行卷積，KIPF等人認(rèn)為拓?fù)鋱D更能表達(dá)事物之間的依賴(lài)性關(guān)系，提出了圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN），以一種快速卷積的方式同時(shí)編碼圖的節(jié)點(diǎn)和邊的特征；GCN網(wǎng)絡(luò)模型數(shù)過(guò)多會(huì)抑制其性能，MA等人使用GCN并加入注意力機(jī)制對(duì)鄰居節(jié)點(diǎn)進(jìn)行加權(quán)聚合，并且引入超像素的機(jī)制減少計(jì)算量，取得了優(yōu)于傳統(tǒng)算法的分類(lèi)結(jié)果；LEE等人以一種自適應(yīng)的方式，同時(shí)利用時(shí)間信息和強(qiáng)度信息，增強(qiáng)特征；LI等人將卷積神經(jīng)網(wǎng)絡(luò)中殘差網(wǎng)絡(luò)、密集型卷積等的思想引入到圖卷積網(wǎng)絡(luò)中，證明了殘差連接可以加深網(wǎng)絡(luò)的深度；WAN等人提取不同尺度的空間信息增強(qiáng)細(xì)節(jié)特征，證明了空間尺度細(xì)節(jié)信息的重要性，但是卻忽略了不同尺度的感受野的重要性程度不一，帶來(lái)了冗余。

針對(duì)上述問(wèn)題，本文構(gòu)建了一種改進(jìn)的圖卷積網(wǎng)絡(luò)，即構(gòu)建了RDGC模塊，對(duì)不同尺度的信息進(jìn)行提取，提取局部細(xì)節(jié)空間特征；再利用依賴(lài)性關(guān)系自適應(yīng)提取不同感受野的信息，即對(duì)不同感受野的信息進(jìn)行增強(qiáng)或抑制，獲取有表征力的特征；將各個(gè)模塊的輸出進(jìn)行串連拼接，整合各個(gè)層次的信息，并將底層全局特征信息附加在其上，形成殘差連接，補(bǔ)充空間細(xì)節(jié)。

1 本文算法框架

本文提出了一種基于自適應(yīng)擴(kuò)張圖卷積網(wǎng)絡(luò)，用于SAR圖像分類(lèi)，網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)共包括3個(gè)模塊：粗分割模塊、殘差擴(kuò)張圖卷積模塊（RDGC）和特征融合模塊。

圖1 本文網(wǎng)絡(luò)模型架構(gòu)Fig.1 The network model architecture of this paper

粗分割模塊：為了降低計(jì)算量，采用SLIC算法對(duì)真實(shí)SAR進(jìn)行超像素粗分割處理。表示SAR圖像，表示SAR圖像經(jīng)過(guò)SLIC超像素后的結(jié)果，則粗分割模塊處理過(guò)程可以表示為式（1）：

其中，將第一個(gè)RDGC模塊的輸入經(jīng)過(guò)1×1的卷積，以調(diào)整通道維度。

特征融合模塊：將每個(gè)殘差擴(kuò)張圖卷積模塊的輸出特征串接在一起，整合不同層次的信息流，式（3）：

最后，將粗分割后圖像經(jīng)過(guò)1×1卷積之后得到底層特征，附加在增強(qiáng)后的特征圖上，形成全局殘差學(xué)習(xí)，補(bǔ)充底層細(xì)節(jié)信息，解決梯度爆炸的問(wèn)題，從而提高SAR圖像分割精度，公式（4）：

1.1 擴(kuò)張圖

在SAR圖像分割領(lǐng)域，已經(jīng)證明多尺度的有效性。在SAR圖像中，地物通常具有不同的幾何外觀，不同尺度包含的上下文信息有助于充分挖掘圖像區(qū)域局部屬性。擴(kuò)張卷積已經(jīng)廣泛應(yīng)用于CNN網(wǎng)絡(luò)模型中，可以擴(kuò)大感受野，并且不增加網(wǎng)絡(luò)的復(fù)雜性。DeepGCN也證明了擴(kuò)張卷積在GCN模型中的有效性。受擴(kuò)張卷積的啟發(fā)，本文構(gòu)造不同擴(kuò)張率的圖結(jié)構(gòu)，利用不同感受野，挖掘中心像素點(diǎn)周?chē)目臻g上下文信息。擴(kuò)張率為1，2，3對(duì)應(yīng)的鄰居節(jié)點(diǎn)集，如圖2所示。因此，任意一個(gè)中心樣本x在擴(kuò)張率為時(shí)的鄰居節(jié)點(diǎn)集為式（5）：

圖2 不同擴(kuò)張率的鄰居節(jié)點(diǎn)Fig.2 Neighbor nodes at different dilated rates

其中，（x）＝x，（x）是x的擴(kuò)張率為1的鄰居節(jié)點(diǎn)集合，也是普通圖結(jié)構(gòu)，（S（x））是x的擴(kuò)張率為1的鄰居節(jié)點(diǎn)集的所有一階鄰居節(jié)點(diǎn)的集合。

1.2 殘差擴(kuò)張圖卷積

本文提出了一種殘差擴(kuò)張圖卷積模塊（RDGC），對(duì)圖像不同尺度特征之間的依賴(lài)性關(guān)系進(jìn)行建模，自適應(yīng)地為不同的尺度特征分配權(quán)重，提取更重要感受野的細(xì)節(jié)信息，增強(qiáng)特征的表達(dá)能力。

RDGC主要是由3個(gè)擴(kuò)張率不同圖卷積和一個(gè)感受野選擇塊（Reception Field Slect，RFS）的組合，使用殘差連接將輸入與輸出相加，此模塊的主要構(gòu)成如圖3所示。

圖3 殘差擴(kuò)張圖卷積模塊Fig.3 Residual dilated graph convolutional module

為了獲得更多感受野的信息，以每個(gè)超像素為圖的節(jié)點(diǎn)，構(gòu)建了擴(kuò)張率分別為1，2，3的圖結(jié)構(gòu)，并進(jìn)行卷積操作，即將擴(kuò)張圖與輸入的特征相乘，對(duì)中心節(jié)點(diǎn)加權(quán)聚合處理得到不同的特征，提取不同尺度的信息，式（6）：

其中，和h分別是擴(kuò)張圖卷積層的輸入與輸出；為激活函數(shù)；是擴(kuò)張率為的鄰接矩陣，也就是擴(kuò)張圖結(jié)構(gòu)；是可訓(xùn)練的權(quán)重矩陣。

神經(jīng)網(wǎng)絡(luò)的神經(jīng)元感受野的大小并不是固定的。為了自適應(yīng)地利用特征在不同尺度上的重要性，對(duì)不同尺度的感受野信息依賴(lài)關(guān)系進(jìn)行建模，使其能夠更靈活地進(jìn)行多尺度特征選擇，自適應(yīng)選擇感受野大小。

首先，將3個(gè)尺度的輸出特征進(jìn)行直接相加融合，并進(jìn)行平均最大池化處理，得到全局特征；其次，利用多層感知機(jī)進(jìn)一步提取深層次、有判別性的全局特征，∈1；最后，再分別進(jìn)行3次全連接，得到∈1、∈1和∈1。

在通道維度上對(duì)這3個(gè)特征進(jìn)行softmax歸一化處理，從3個(gè)不同擴(kuò)張因子的擴(kuò)張卷積中獲取特征圖的重要因子的特征選擇，即得到3個(gè)不同尺度上權(quán)重系數(shù)；最后將權(quán)重系數(shù)與、、對(duì)應(yīng)相乘，完成對(duì)不同感受野特征的加權(quán)。整個(gè)過(guò)程可由式（7）～（11）表示：

殘差連接使得可以重復(fù)利用特征，保證了局部特征信息可以傳遞到更高層，確保高層的性能至少與低層一樣，解決了現(xiàn)有網(wǎng)絡(luò)存在的模型退化問(wèn)題，因此將輸入特征殘差連接到融合后的特征中，殘差擴(kuò)張模塊的輸出為式（12）：

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了評(píng)估所提網(wǎng)絡(luò)的性能，且避免單一土地覆蓋類(lèi)別對(duì)分割結(jié)果的影響，實(shí)驗(yàn)采用了兩幅SAR圖像數(shù)據(jù)進(jìn)行驗(yàn)證，分別是RADARSAT－2拍攝的Flevoland和San－Francisco－Bay，分辨率均為12×8 m。Flevoland的大小為1 000×1 400，包括水體、城區(qū)、森林、農(nóng)田1和農(nóng)田2這5類(lèi)土地覆蓋類(lèi)型，其原始影像和標(biāo)簽圖如圖4（a）和（b）所示；San Francisco－Bay的大小為1 101×1 161，包括建筑物1、建筑物2、建筑物3、水體、植被這5類(lèi)土地覆蓋類(lèi)型，圖4其原始影像和標(biāo)簽圖如圖4（c）和圖4（d）所示。

圖4 實(shí)驗(yàn)所用圖像以及相對(duì)應(yīng)的標(biāo)簽Fig.4 The images and the corresponding ground truth

2.2 參數(shù)設(shè)置

對(duì)于Flevoland和San Francisco－Bay兩幅真實(shí)SAR圖像，在每一類(lèi)標(biāo)簽像素樣本中，選30個(gè)樣本作為訓(xùn)練集，剩下的樣本作為測(cè)試集，以此評(píng)價(jià)所提網(wǎng)絡(luò)的分割性能。圖像數(shù)據(jù)進(jìn)行SLIC粗分割的參數(shù)見(jiàn)表1。

表1 SLIC粗分的參數(shù)設(shè)置Tab.1 Parameter settings of SLIC

擴(kuò)張圖卷積隱藏層神經(jīng)元個(gè)數(shù)為60，算法選用Adam優(yōu)化訓(xùn)練參數(shù)，設(shè)置動(dòng)量為0.9，學(xué)習(xí)率為0.06，訓(xùn)練500輪次后，損失值達(dá)到穩(wěn)定。

選用了現(xiàn)有的主流SAR分割算法與本文所提網(wǎng)絡(luò)進(jìn)行對(duì)比，分別是基于CNN的網(wǎng)絡(luò)模型ResNet18；基于全卷積的網(wǎng)絡(luò)模型PSPNet和基于GCN的網(wǎng)絡(luò)模型MSGCN和AGCN。本文采用各個(gè)類(lèi)別的分割精度，總體分割精度OA、平均分類(lèi)精度AA和Kappa系數(shù)評(píng)估各個(gè)網(wǎng)絡(luò)模型的分割性能。

網(wǎng)絡(luò)采用PyCharm 2021，在處理器為Intel Xeon Silver4114＠2.2 GHZ，內(nèi)存大小為128 GB，顯卡為Nvidia Tesla P100－PCIE－16 GB。

2.3 實(shí)驗(yàn)結(jié)果

2.3.1 Flevoland圖像分類(lèi)結(jié)果對(duì)比與討論

對(duì)比方法和本文所提網(wǎng)絡(luò)的各類(lèi)別的準(zhǔn)確度、OA、AA和Kappa系數(shù)，見(jiàn)表2?？梢钥闯觯趯?duì)比方法中，所提網(wǎng)絡(luò)分割性能最佳；從類(lèi)別來(lái)看，所提算法在農(nóng)田2這一類(lèi)別上提升效果最為顯著，相較MSGCN，高出13.52%。

表2 不同算法在Flevoland圖像上的分類(lèi)結(jié)果Tab.2 Classification results of different algorithms on Flevoland

與現(xiàn)有的主流SAR圖像分割算法對(duì)比可視化結(jié)果，如圖5所示。PSPNet和ResNet18算法的水體分類(lèi)精度雖然都達(dá)到了約99%，但是水體區(qū)域內(nèi)仍有“椒鹽”狀的誤分類(lèi)點(diǎn)，本文算法“水體”分類(lèi)精準(zhǔn)度達(dá)到100%，水體區(qū)域地物平整，輪廓清晰；在其余4類(lèi)地物分類(lèi)中，ResNet18和PSPNet分類(lèi)的結(jié)果都有大量的誤分類(lèi)點(diǎn)，如“農(nóng)田2”像素被大量誤分為“森林”，MSGCN和AGCN分類(lèi)結(jié)果有所改善，但是邊界處仍有不少誤分現(xiàn)象，本文算法能有效改善這種現(xiàn)象，能夠有效保持邊界清晰，且區(qū)域平滑。

圖5 不同算法在Flevoland上的可視化結(jié)果Fig.5 Visual results of different algorithms on Flevoland

2.3.2 San Francisco－Bay圖像分類(lèi)結(jié)果對(duì)比與討論

對(duì)比方法和本文所提網(wǎng)絡(luò)的各類(lèi)別的準(zhǔn)確度、OA、AA和Kappa系數(shù)，見(jiàn)表3。由表3可知，在所有對(duì)比算法中，MSGCN表現(xiàn)最優(yōu)，但本文算法優(yōu)于MSGCN，在OA、AA和Kappa系數(shù)指標(biāo)上都獲得了理想的分割結(jié)果，分別是93.09%、93.32%、91.27%，尤其是在建筑物1類(lèi)別上，相比MSGCN，提高了近10%，且遠(yuǎn)遠(yuǎn)優(yōu)于其他對(duì)比算法的分類(lèi)精度，因此，也證明了所提網(wǎng)絡(luò)的有效性以及對(duì)不同數(shù)據(jù)集具有魯棒性。

表3 不同算法在San Francisco－Bay圖像上的分類(lèi)結(jié)果Tab.3 Classification results of different algorithms on San Francisco－Bay images

與現(xiàn)有的主流SAR圖像分割算法對(duì)比可視化結(jié)果，如圖6所示。由圖6可知，ResNet18利用特征復(fù)用，增強(qiáng)了特征，但是分類(lèi)結(jié)果仍斑駁；PSPNet利用多尺度去提取不同細(xì)節(jié)的特征能夠改善這種情況，但是精確度仍不高?？偟膩?lái)說(shuō)，現(xiàn)有網(wǎng)絡(luò)整體分類(lèi)結(jié)果較為粗糙，與標(biāo)簽圖相比，大量“植被”像素被錯(cuò)誤分類(lèi)為“水體”。相比之下，所提網(wǎng)絡(luò)可以有效區(qū)分類(lèi)間邊緣、地物規(guī)整以及區(qū)域內(nèi)更加平滑。

圖6 不同算法在San Francisco－Bay上的可視化結(jié)果Fig.6 Visual results of different algorithms on San Francisco－Bay

3 結(jié)束語(yǔ)

本文提出了一種新的殘差擴(kuò)張圖卷積網(wǎng)絡(luò)，解決圖像因樣本少、而噪聲多，現(xiàn)有網(wǎng)絡(luò)提取細(xì)節(jié)特征不充分的問(wèn)題。所提的RDGC模塊具有強(qiáng)大的特征提取能力，不僅能通過(guò)多個(gè)不同擴(kuò)張率的圖卷積提取不同空間尺度的細(xì)節(jié)信息，并且可以自適應(yīng)選擇感受野，過(guò)濾冗余的信息，因此對(duì)多尺度特征更加敏感。為了防止特征丟失和梯度彌漫，將模塊的輸入與最終的輸出結(jié)果殘差連接，增強(qiáng)保持細(xì)節(jié)信息的能力。通過(guò)實(shí)驗(yàn)分析與對(duì)比，本文設(shè)計(jì)的網(wǎng)絡(luò)達(dá)到了理想的分類(lèi)性能，且勻質(zhì)區(qū)域平滑，邊緣保持能力強(qiáng)，解決了小樣本圖像分類(lèi)精度低的問(wèn)題。由于SAR受噪聲干擾嚴(yán)重，本文的后續(xù)工作將考慮構(gòu)建更優(yōu)質(zhì)的圖結(jié)構(gòu)，讓圖結(jié)構(gòu)能夠更精準(zhǔn)的表達(dá)像素之間的相似度關(guān)系，便于后層卷積網(wǎng)絡(luò)進(jìn)行加權(quán)聚合運(yùn)算，從而有效地提升分類(lèi)性能。