融合光学与SAR影像的土地利用分类模型OA

光学影像与合成孔径雷达(synthetic aperture radar,SAR)影像成像机制不同,简单融合或拼接方式无法自适应分配权重,会造成边界特征模糊、粘连等问题。为此,提出了渐进选择性融合网络(progressive selective fusion network,PSFNet)。在浅层保留各模态的原始纹理特征,在深层利用四元注意力模块(quaternion attention module,QAttn)进行跨模态语义的深度交互。同时,渐进式解码器可以逐级恢复空间细节,解决边缘模糊问题。在WHU-OPT-SAR数据集上的实验结果表明,PSFNet的总体准确率达86.2%,平均交并比达59.5%,与DeepLabv3、MCANet、CFFormer等主流分类模型相比有显著提升,且在结构复杂道路与细长水体等小尺度地物的识别上优势更加明显,为多源遥感数据的精细化分类提供了解决方案。