MSF-UNet: 空间-频率双域特征融合的SAR影像无监督变化检测方法

研究背景与意义

合成孔径雷达（SAR）具有全天时、全天候获取地面影像的能力，在云雾遮挡影响下多时相SAR影像变化检测技术发挥了重要作用。现有无监督变化检测方法存在伪标签可靠性不足、空间-频率域特征融合利用不充分等问题，影响了变化检测的准确性和可靠性。

应用领域

环境监测

城市扩张分析

灾害评估

方法框架

空间域编码器

构建Mamba模块与卷积网络协同架构，高效捕获全局特征并与局部特征融合

频率域编码器

引入小波变换卷积，利用Haar小波分解提取低频和高频分量特征

跨域特征融合

通过多级跳跃连接实现空间域与频率域特征的深度融合

所提方法的整体框架

消融实验分析

消融实验结果（邯郸数据集）

方法	DSCF	Mamba	频率域编码器	F1_Score	Kappa
M1	×	×	×	0.842	0.778
M2	✓	×	×	0.893	0.851
M3	✓	✓	×	0.904	0.864
M4 (MSF-UNet)	✓	✓	✓	0.928	0.898

关键发现

DSCF方法使F1_Score提高了5.1%，Kappa提升了7.3%
Mamba模块进一步提升F1_Score 1.1%，Kappa提高1.3%
频率域特征编码器使F1_Score提高2.4%，Kappa提升3.4%

计算复杂度分析

不同方法的计算复杂度对比

方法	参数量 (M)	浮点运算次数 (G)	训练时间 (s/轮)
DDNet	0.067	0.002	12.178
SNUNet-CD	12.035	0.857	32.848
TransUNet	93.231	0.503	48.163
MSF-UNet	108.847	0.394	28.433

尽管MSF-UNet方法的参数量较大，但其浮点运算次数和训练时间均低于TransUNet方法，体现了Mamba模块相较于ViT模块在降低计算复杂度方面的优势。

实验结果与性能

2.35%

平均F1_Score提升

2.65%

Kappa系数提升

0.928

邯郸数据集F1_Score

0.896

黄河数据集F1_Score

邯郸数据集定量分析结果

方法	漏检像元	虚警像元	总体误差	F1_Score	Kappa
PCAKM	2,300	9,904	12,204	0.882	0.826
TransUNet	5,982	1,874	7,856	0.914	0.880
MSF-UNet	4,346	2,392	6,738	0.928	0.898

黄河数据集定量分析结果

方法	漏检像元	虚警像元	总体误差	F1_Score	Kappa
ELGC-Net	1,046	277	1,323	0.863	0.855
TransUNet	1,185	174	1,359	0.857	0.849
MSF-UNet	921	94	1,015	0.896	0.890

邯郸数据集变化检测结果对比

黄河数据集变化检测结果对比

核心技术创新

DSCF伪标签生成方法

差异影像分割-聚簇融合方法，通过阈值分割与聚类策略的协同优化，获得高质量的伪标签样本数据，避免单一方法的局限性。

MSF-UNet架构

基于Mamba的空间-频率双域特征融合UNet模型，实现全局特征与局部特征的有效融合，提高变化检测结果的可靠性。

MSF-UNet模型结构

研究结论

主要贡献

1

提出DSCF伪标签生成方法，解决传统伪标签质量不足的问题

2

构建MSF-UNet模型，实现空间-频率双域特征的深度融合

3

引入Mamba模块，高效捕获全局特征并降低计算复杂度

性能优势

邯郸数据集 F1: 0.928, Kappa: 0.898

黄河数据集 F1: 0.896, Kappa: 0.890

计算效率浮点运算: 0.394G