《SAR图像去噪方法研究本科毕业论文.doc》由会员分享，可在线阅读，更多相关《SAR图像去噪方法研究本科毕业论文.doc（50页珍藏版）》请在三一办公上搜索。
1、摘 要合成孔径雷达(SAR)图像的相干斑噪声严重降低了图像的可解译度，影响了后续目标检测、分类和识别等应用。SAR图像的相干斑噪声是成像过程中出现的原理性缺陷。在过去的二十年里，国内外的诸多学者提出了大量抑制图像相干斑噪声的方法。其中大多数方法是利用一个定义好的滤波器窗口来估计相干斑图像局部噪声方差，然后在局部分别作滤波处理。结果表明这些方法在均匀的区域内能够大大削减相干斑噪声，而在非均匀区域内图像变得模糊或过于平滑而失去细节信息，降低了图像的空间分辨率，图像的解译性因此变差。理想的降噪方法是能在很好地保留边缘和细节信息的前提下抑制相干斑噪声。 本论文的研究内容： （1）首先介绍了SAR图像及
2、其噪声的国内外研究动态，然后简述了SAR图像噪声的形成机理。（2）重点对SAR图像斑点噪声的抑制算法进行了研究，对经典斑点噪声抑制算法(卷积滤波中的中值滤波；还有基于统计估计理论的Lee滤波算法及其增强算法、Kuan滤波算法、Frost滤波算法、小波滤波算法、均值滤波算法等)进行了原理说明。（3）结合实例，将各种算法的处理结果进行了分析和比较，对其效果和优缺点进行了评价。关键词：合成孔径雷达；噪声抑制；效果评价ABSTRACT The presence of speckle noise in the synthetic aperture radar (SAR)images。severely r
3、estricts the appl ication of the coherent imagesSpeckle noise is generated by the coherent processing of radar signalsDuring the past two decades，many speckle reduction techniques have been developed for removing ospeckleAn ideal algorithm should smooth the speckle without blurred edges and fine det
4、ailBut most algorithms cannot satisfy these two demands very well This paper the research content: (1) First introduced the SAR and the noise of the image research dynamic, then briefly introduced the formation mechanism of the SAR image noise. (2) Focus on studying the algorithm of image noise supp
5、ression of SAR spots, introduced the principle of the classic spots noise suppression algorithm ( the convolution filter median filtering, and based on the statistical estimation theory of filter algorithm and its enhancement algorithm Lee Kuan, filter algorithm, Frost filter algorithm, wavelet filt
6、er algorithm, average filtering algorithm, etc). (3) Combined with an example, all with the result of the algorithm is analyzed and compared, evaluated their effects, advantages and disadvantages.Keywords: SAR; Noise inhibition; Effect evaluation目 录1绪论11.1 SAR图像噪声抑制研究背景及其意义11.2 SAR图像纹斑噪声抑制的研究现状21.3本
7、论文的研究内容62 SAR图像常用去噪方法介绍82.1 SAR图像噪声产生机理82.2传统的SAR图像去噪方法92.2.1均值滤波92.2.2中值滤波102.3基于自适应滤波的SAR图像去噪方法102.3.1 Lee 滤波112.3.2增强 Lee滤波112.3.3 Kuan滤波112.3.4 Frost滤波112.3.5增强Frost滤波器122.3.6 Sigma滤波122.3.7 Gamma MAP滤波132.3.8 Bit Erros滤波132.4其它的SAR图像去噪方法142.4.1连续小波变换滤波142.4.2离散小波变换滤波153去噪实现与评价163.1各种去噪方法的实现163.
8、1.1SAR图像数据介绍163.1.2图像的滤波结果173.2图像滤波效果评价233.2.1相干斑噪声滤波算法的评价标准233.2.2不同去噪方法的对比分析254结论展望284.1论文研究内容总结284.2研究展望28致谢30参考文献311 绪论1.1 SAR图像噪声抑制研究背景及其意义合成孔径雷达(Synthetic Aperture Radar，简称SAR)是微波遥感的代表。由于合成孔径雷达工作在微波波段，而大气分子对电磁波的吸收基本上处于可见光红外波段(波长：0.4pm14pm)，所以SAR不易受大气的影响，具有全天候的特性。再者，SAR是主动遥感器，不依靠太阳辐射，可以昼夜工作，即具有
9、全天时的特性。SAR在地球科学遥感领域具有独特的对地观测优势，有着非常广泛的应用领域。从地形测量到大范围的陆地、海洋信息采集、全球范围的环境监测，从城市土地开发、绿地植被沙漠化的检测到江河湖海水位、浑浊状态测定，地质结构提取等等，特别在热带雨林气候地区及常年多云雾多雨的地区，而在这些地区具有全天时全天候成像能力的合成孔径雷达遥感技术往往具有独到的优势。SAR图像在海洋冰探测、海洋环境监测、森林类型分类、地质矿产研究、农作物生长监测等方面都获得了广泛应用。由于SAR发射相干电磁波，因此各理想点目标回波是相互干涉的。相干电磁波照射实际目标时，其散射回来的总回波并不完全由地物目标的散射系数决定，而是
10、围绕这些散射系数值有很大的随机起伏，这种起伏在图像上的反应就是相干斑噪声，也就是说，这种起伏将会使具有均匀散射系数目标的SAR图像并不具有均匀灰度，而会出现许多斑点。斑点噪声的存在使图像的信噪比下降，明显降低了图像的辐射分辨率，隐藏图像的精细结构。随着科学技术的飞速发展，要求SAR提供更高分辨率和更清晰的SAR图像。由于相干斑严重影响了SAR图像的质量，不利于SAR图像的解译和各种应用，所以抑制相干斑噪声成为了SAR图像处理中的一个重要部分，并且相干斑噪声抑制的好坏将直接影响到对雷达图像定量分析和应用的精度，同时也影响了进一步的图像分割、边缘检测等图像处理效果。随着大量SAR图像数据的获得，如
11、何有效地抑制相干斑噪声成为SAR图像应用研究的难点和热点。SAR图像中的斑点噪声往往和信号交织在一起，为获得高质量的SAR图像，对SAR图像去噪的要求是首先必须对相干斑噪声进行有效的抑制，同时还应该保持SAR图像的分辨率以及尽可能的保留图像的边缘纹理和点目标等细节特征。不过这两方面好的效果难以兼得，图像平滑过程总是要付出一定的细节模糊代价，而且如果抑制相干斑时平滑不当，会导致图像本身的细节如边界轮廓、线条等变得模糊不清，从而使图像降质。因此SAR图像的相干斑抑制算法一般是在相干斑去除(辐射分辨率)与细节保留(空间分辨率)之间做的折衷，如何综合这两个方面较好效果是SAR图像相干斑去噪研究的主要内
12、容。消除SAR斑点噪声对SAR图象的有效应用有着十分重要的意义，一直是SAR成像技术的重要研究课题之一。因此，对SAR图像斑点噪声的研究意义重大。 1.2 SAR图像纹斑噪声抑制的研究现状纹斑以及类似现象的研究最早可以追溯到19世纪的物理和工程类的研究工作。一个理想的纹斑噪声抑制滤波器应该是这样的：在图像的均匀区域应尽可能地抑制纹斑噪声，同时，还能很好地保持图像的细节特性(空间分辨率，比如边缘，线，强点目标等结构特征)，或者说不破坏图像的分辨率；另外还要避免虚假目标的出现。然而实际的滤波器总是无法达到理想的效果，降低纹斑和保持图像的分辨率是所有纹斑滤波算法中的主要矛盾，如何达到这两方面的平衡也
13、是衡量一个算法性能优劣的关键。由于纹斑噪声的乘积特性，直接采用一些经典的噪声滤波器如维纳滤波器，卡尔曼滤波器等，其纹斑滤波效果性能是无法令人满意。对SAR图像相干斑噪声滤波技术，国内外的研究已经非常广泛而深入。在早期的SAR成像处理中，大多采用多视处理技术，在距离或方位维上分割成三个独立部分，每一部分用来产生较低分辨率的单视图像，然后把三个单视图像对应的像素非相干地迭加后平均，就得到多视SAR图像。多视处理另外一个有利的情况是，对强度进行平均处理不仅保留携带的信息，而且处理后的结果容易进行统计分析。此过程可平滑掉相干斑点噪声，但是却以牺牲空间分辨率为代价。例如对三视SAR图像来讲，可以获取倍的
14、噪声抑制，同时却要使空间分辨率降低三倍。虽然该过程是在成像处理中完成，从而可以获得成像数据处理率的下降，但随着SAR图像应用的不断扩展，对其空间分辨率的要求不断提高，多视处理技术已经不能满足高分辨率的要求。因此，成像后的滤波技术成为SAR图像相干斑噪声抑制技术发展的主流。绝大多数的纹斑抑制算法是在成像处理之后进行的。早期的方法是基于傅立叶变换，将图像转换到频域进行滤波处理。进一步的工作则将Kalman滤波和Bayesian估计算法扩展二维的图像域，提出了相应的递归算法(reeursive algorithm)。在这两种情况下，都需要建立信号的统计模型。事实上，不可能由单一的统计模型来描述自然地
15、物(雷达反向散射)的随机特性。虽然不可能提出一个简单的统计模型来刻化全局图像的统计特性，幸运的是可以估计图像的局部统计参数，以此为基础，提出了基于局域统计参数的自适应滤波器。这一类型的滤波器在近20几年发展比较成熟，应用也较为广泛，基本上又可以分成两种类型：一是以图像的局域统计特性(均值和方差等)为依据的自适应滤波算法；二是以图像的统计分布(概率密度函数：pdf)为依据的自适应滤波算法。上世纪八十年代以来，出现了许多基于Bayes估计准则的空间域统计滤波技术，其中空间自适应滤波器得到了较大程度上的发展，也产生了多种经典的滤波器：基于最小均方误差准则(MMSE)的有Lee滤波器、Frost滤波器
16、以及Kuan滤波器、基于MAP准则的有Gaussia MAP滤波器以及Gamma MAP滤波器。Lee提出了一系列利用像素样本均值和方差的自适应滤波器，Lee滤波器的提出产生了较深远的影响，在该滤波器提出以后，有不少人对其进行了修正或受该算法的启发而提出了一些新的滤波算法。Lee等还提出了sigma滤波器，该滤波器是基于高斯分布的sigma概率，在滤除噪声时仅对滤波窗口内中心像素的两个sigma范围内的像素进行平均。smith提出了两种修正形式的sigma滤波器，能较好地保持边缘和线性特征。Frost等提出了一个空间自适应滤波器，像Lee局部统计参数滤波器一样，Frost滤波器也是基于局域统计
17、参数和乘性噪声模型的，它对边缘区域进行较少的平滑以保持边缘结构。之后，Lopes提出了改进的Lee滤波器和Frost滤波器，把一个图像分为三类区域：第一类是均匀区域，其中的斑点噪声用低通滤波平滑掉；第二类是不均匀区域，除噪时应保留纹理信息：第三类是包含孤立点目标的区域，滤波器应尽可能的保留观察值。Kuan滤波器是在MMSE准则上加了线性约束后得到的，是将加性噪声模型扩展到乘性噪声模型上的结果，在图像的局部均值和观测值之间作权衡，权重因子自适应于地表纹理信号的空间统计变化。Balardi等提出的Gamma MAP滤波器，同时考虑了斑点噪声的特点和地物目标散射特性的统计规律，在平滑斑点噪声的同时能
18、很好地保持图像纹理，在Gamma MAP滤波器基础上经修正得到的无偏Gamma MAP方法适用于单视图像，对其改进，还加入了Touzi的比值边缘和线条检测算子，以及点目标检测方法，改进后的滤波器对图像边缘、线条和点目标的保持能力有了明显提高。在这之后，空间自适应的滤波方法得到进一步发展，主要的改进在于用尺度和形状可变的局域窗代替原来固定尺度和形状的局域窗，增加了滤波处理对图像中的有用细节成分变成加性噪声以满足小波阈值皱缩方法的假设，但指出这种方法的滤波效果并没有空间域滤波效果好。和分别将MAP准则和MMSE准则引入到小波域中，取得了比小波阈值皱缩方法更好的滤波效果，标志着基于小波分析的SAR图
19、像滤波处理技术已经达到一个更高的水平。比较常见的有采用二值决策方法修正小波系数的小波域阈值法和根据概率分布来确定对小波系数进行不同程度的修正的小波域贝叶斯估计算法。更加精确复杂的贝叶斯估计方法使用高斯混合模型，并且考虑了小波系数的空间变化性和内在相关性，隐马尔可夫树模型或者马尔可夫随机场前验模型得到应用。从对边缘的保护程度上讲，这方面的一些滤波器有wilhelm等的保边缘最优斑点噪声滤波技术(EPOS滤波器)，通过噪声方差的知识，区分均匀区域和含有边缘或单散射点的区域，提出了一种变大小滤波矩阵，找到每个像素点的最大均匀区域，在此区域作平均，则达到最优滤波并能保证边缘不变模糊：MHR滤波器等等，
20、它们的滤波效果都比以前的一些方法有所提高。最近，一些基于空间统计模型的滤波方法被提出，并显示了极其优异的滤波性能，例如采用Gaussian MRF模型的EMBD滤波器，这些方法通常都采用了比较复杂的统计模型，因此也大大增加了算法的计算量。上世纪九十年代以后，小波变换以及多分辨率分析方法也被引入到SAR图像滤波处理之中。最开始的研究是直接在Donoho等人提出的小波阈值皱缩方法基础之上的，通过一个对数变换将乘性的相干斑噪声。虽然Lee滤波、Kuan滤波和Frost滤波在去除纹斑的同时在一定程度上保持了图像的细节信息，但去除纹斑后的图像的对比度仍然降低了，也就是边缘被模糊了。因此，在这些原始经典算
21、法的基础之上，又发展了许多相应改进和增强型的算法，比如Lopes等人中根据局域方差系数来度量SAR图像局域均匀度，进而提出改进的Lee算法、Frost算法和Kuan算法等。实际上，基于局域统计的自适应滤波器面临的一个主要问题是估计滤波参数(例如局域窗口均值、方差或者方差系数)。滑动的窗口大小应该尽可能的大以便获得更多的采样数据以得到更可靠的统计参数，但同时窗口又应该尽可能的小，以满足平稳条件和达到更好地保持场景的边缘、线和点目标等图像结构特征的目的。很明显，这两个目标是矛盾的，不可能同时完成。为了能够有效地估计统计参数，又要尽可能地保证不破坏图像的细节，在许多文献中提出了一些自适应窗的滤波算法
22、。自适应窗滤波算法的基本思想就是利用某一度量因子(比如方差系数)来衡量图像区域的均匀度，如果区域均匀度越高，那么采用越大的局域窗，反之选择更小的窗尺寸。另外一种类似的方法就是基于最大同质区域的SAR图像纹斑滤波方法(SSMHR)，SSMHR是一种通过检测局域方差的大小来探测固定的8种形状同质区域的方法，这种方法采用了8种形状并且简化了边缘。SAR图像的同质区域可能有各种各样的形状，因此，近似的同质区域和简化的边缘使得这个方法增强斜坡型边缘，模糊屋脊状边缘。以SAR图像统计分布为依据的滤波算法是以Bayes准则为基础来进行滤波估计，如果具备了pdf(概率密度函数)的先验知识，那么最大后验概率(M
23、AP)估计便是其最佳估计，其中尤以Gamma MAP滤波算法为其中代表，它假设一幅功率 SAR图像其地面目标雷达散射特性和纹斑噪声都服从Gamma分布，那么其滤波器的输出是局域均值，图像视数和异质参数的函数。同样，为了提高Gamma MAP滤波器的性能，也把自适应窗口的思想引入到其中，提出了相应的改进算法。在纹斑滤波过程中，为了更好地保持图像的结构细节，提出了基于结构检测的统计自适应滤波算法，将边缘、线及强点检测等融入原有的滤波算法中。这个方法使用一个大的窗口，然后在检测窗口内的边缘、点目标和线等结构特征，之后将图像分为同质区域、边缘区域和点目标，最后根据不同的类型区域采用不同的纹斑滤波策略。
24、对同质区域或有纹理的区域使用正方形滤波窗口，采用均值滤波策略；对边缘区域在子窗内滤波，采用自适应滤波；如果是孤立的点目标，则保持图像的原始值。 在1990年，Perona和Malik提出了著名的各向异性扩散模型，该模型为图像处理领域又提供了一个新的研究方向。针对以上那些常见空间滤波器，如Lee、Kuan、Gamma MAP等的一些缺点，出现一类基于各向异性扩散方程的SAR图像斑噪声抑制的算法。这种方法在平滑过程中是沿着图像边缘的方向进行的，同时在垂直边缘的方向抑制滤波。YongjianYu等在他们的SRAD算法中提到，基于最小均方误差的自适应滤波器Lee和Frost滤波器都可以表示为各向同性扩
25、散的偏微分方程形式，而且修改后可以得到各向异性扩散方程，这就把偏微分方程和自适应滤波器联系起来，改善了滤波性能。此外还有一些纹斑抑制算法，比如数学形态学滤波方法，非线性秩滤波器以及基于几何分析的几何滤波法。把图像的平面坐标加上灰度值考虑为一种三维模型，用形态学方法去除噪声。 近十几年来，随着小波(wavelet)在信号处理等领域内得到越来越多的重视，取得越来越大的成就，小波作为一种强大而有效的非平稳信号和图像处理工具，也被引入到了SAR图像纹斑抑制的应用中，出现了越来越多的基于小波的纹斑抑制算法。基于小波的纹斑抑制算法，是将SAR图像通过小波变换，转换至小波域，由以往的在空间域对图像像素的处理
26、转换为在小波域中对小波系数的处理，然后再通过小波逆变换，得到最终的滤波图像。Donoho提出的基于小波变换的软阈值法，它通过取阈值的方法来压缩受干扰的小波变换系数，噪声在一定程度上被抑制，图像边缘的信息很少丢失，且无伪边缘产生。Simard等人分析了纹斑噪声在小波分解后的统计分布，然后在小波域中，结合纹斑噪声的统计特性可以更好地确定软阈值门限，达到更好的滤波效果。除了软阈值方法，Sveinsson等人还提出了自适应Sigmoid阈值法。为了更好地利用小波变换来抑制SAR图像纹斑噪声，那么考虑SAR图像2维小波变换后的小波系数的统计特性，尤其是它们之间的相关特性是十分必要的，以此寻求一种能够充分
27、反映小波系数之间的相关统计特性的模型，成为此类技术的关键。通常情况下，小波变换采用的是离散小波变换(DWT)，然而由于DWT不是移不变的，因此利用DWT在抑制纹斑噪声的同时会产生振荡现象，产生虚假信号。为了克服DWT的缺点，很多方法都采用了循环移位(cycle spinning)的小波变换，通过这种循环移位，就可以实现移不变的小波变换，虽然增加了计算的时间和数据量，但却可以克服DWT所产生的缺点。虽然小波分析在一维时具有优异的特性，但是这些优异的特性却不能简单地推广至二维或者更高维。由一维小波张成的可分离小波只具有有限的方向，不能 “最优”地表示含线或者面奇异的高维函数，而事实上具有线或者面奇
28、异的函数在高维空间中是非常普遍的。二维小波是一维小波的简单张成，不能有效地捕捉图像的轮廓信息，是一种“非稀疏”的图像表示法，因此在高维信号表示方面有必要寻求比小波变换更有效的方法，而Contourlet变换正是其中具有代表性的一种。Contourlet变换是近几年发展起来的一种有效的多方向尺度分析方法，它除了具有小波分析方法的几个重要优点之外，还包含了两种小波变换所没有的重要特性：方向性(Directionality)和各向异性(Anisotropy)，这使得Contourlet变换在许多图像处理应用方面的性能要更胜于小波分析的方法。基于Contourlet变换的这些优于小波分析的表现，使它在
29、SAR图像纹斑噪声抑制应用方面取得了一定的进展，相对来说，基于Contourlet变换的去斑算法，可以更好地保持图像的一些细节特性，并且有较好的视觉效果。但另一方面，它付出的代价就是计算时间的增加和不可避免的冗余度。另外还有一些针对多波段多极化SAR图像纹斑滤波方法，本文主要研究针对的是单波段单极化的SAR图像纹斑噪声抑制。近期出现的斑点噪声滤除技术有：Franceschetti等的迭代同态滤波技术，它将乘性噪声变换成加性噪声，再利用维纳滤波进行迭代处理，能够理想地消除噪声，保证合适的灰度分辨率，保留边界和边缘信息，但必须预知噪声的功率谱，此功率谱对预处理例如加窗等比较敏感：Nezry、Bor
30、aldi等提出的结构检测滤波(SDF)，首先检测边界，并进行线结构细化，然后应用MAP滤波方程对具有Gamma分布的图像进行滤波，它应用了局部区域的统计特性和几何特性，处理速度快，且能避免人为目标的干扰。还有一种具有窗口自选功能的自适应相干斑滤波算法，它在分析噪声统计特性的基础上，在均匀场景假设下，得到一个基于局部统计特性的斑点噪声滤波公式。李凌杰等提出的一种基于区域分集相干斑抑制算法，在分析SAR图像纹理特征和相干斑的统计特征基础上，设计了一种基于区域连通性的分集搜索方法，首先分集的正确性得到保证。在不同的分集子图像中采用相应的滤波算法对相干斑噪声加以抑制。能很好地解决相干斑抑制和边缘特征保
31、持之间的矛盾。SAR图像相干斑噪声滤除技术的研究一直是SAR成像处理与图像分析中的一个重要课题，相干斑的存在直接影响对SAR图像的分析和应用。研究相干斑滤波技术的一个重要方向就是在得到需要的辐射分辨率的同时，如何保持必要的空间分辨率。因为二者都是SAR图像分析与应用的重要因素，在尽力滤除相干斑点噪声的同时，保持原图像的细节信息，例如纹理、边缘、弱目标等，也应被着重考虑。由于缺乏对SAR图像质量的定量评估标准，现有滤波器的设计都采用相对的图像质量评估指标，很大程度上限制了SAR图像的应用。目前常用的评价图像质量的方法主要有两种，一种是主观评价方法，另一种是客观评价方法。主观方法比较符合实际，但费
32、时，且不易操作，一般在国际标准中使用。比较常见的客观方法有像素灰度均方误差、峰值信噪比和边缘保持指数FOM等。这些方法计算简单，常在论文中用来评价图像质量。但有明显的局限性，它们要求有原始图像数据，才能得到计算结果，这在很多场合，如多媒体应用，图像传输，SAR成像等是不现实的。有的学者提出用细节信噪比、高阶统计量的方法来衡量图像质量，这些方法不需要原始图像做参考，但是只适用于加性平稳高斯噪声场合。而SAR图像的斑点噪声是乘性的，使得上述方法都不适合。通过修正伪信噪比的方法来逼近SAR图像的真实信噪比，虽不需要原始图像做参考，但是过分依赖于滤波器，所以仍不能客观公正地评价SAR图像质量。1.3本
33、论文的研究内容（1）第一章对SAR图像噪声去除方法的研究背景和意义以及国内外研究现状进行了详细的说明。（2）第二章先介绍SAR图像噪声形成机理，然后叙述了传统的SAR图像噪声去除方法（均值滤波和中值滤波）；自适应滤波去噪方法(Lee滤波、增强Lee滤波、Frost滤波、增强Frost滤波、Kuan滤波等)以及小波变换滤波去噪方法。（3）第三章结首先合实例对各种滤波方法进行实现，然后介绍了几种常用的SAR图像噪声抑制算法的评价标准（等效视数、均值和方差、信噪比等），最后对这些常用去噪方法的去噪效果进行了评价和总结。2 SAR图像常用去噪方法介绍2.1 SAR图像噪声产生机理SAR系统中主要存在两
34、种噪声：热噪声和相干斑噪声。热噪声主要指天线噪声、处理系统噪声和接收器噪声等加性噪声，通过改进系统设计可以进行消除。而雷达的后向散射特性不可避免的将产生相干斑噪声，所以，相干斑噪声成为SAR图像系统原理性缺陷。SAR遥感是基于地物的后向散射特性的。后向散射系数是SAR图像中重要的物理参数。这个参数集中反映了地物目标对电磁波的散射能力，提供了如土壤类型，水分含量，林型，农作物生长等有关地表环境的信息。地物的后向散射系数与诸多因素有关，这些因素包括地物因素和雷达因素。地物因素包括表面粗糙度、复介电常数、是面散射还是体散射、几何形状、材料和尺寸等；雷达因素包括波长、极化方式、功率和入射角等。不同雷达
35、波长的影响主要表现在地物有效表面粗糙度和复介电常数上。在不同极化方式下雷达后向散射系数会有差别，有时会有重大差别，差别大小与地物表面精糙度和几何形状等因素有关。雷达脉冲入射角对地物后向散射系数的影响是呈线性关系的，也就是说，后向散射系数随着入射角增大而降低。所以对于一个表面较为平滑的目标单元，在没有斑点噪声影响的情况下，影像上的像素值会呈现淡的色调。然而，由于相干波的叠加，有些地方振动加强，有些地方振动减弱，导致每个分辨率单元内每个细小物体的回波会导致SAR影像上某些像素比平均值更暗，这样，目标表面上出现了有些分辨率单元呈亮点，有些呈暗点的情况，从而降低了图像的灰阶和空间分辨率，隐藏了图像的精
36、细结构，降低了图像质量和成像系统的探测能力，使图像的可解释性和判读性变差，限制了图像的应用。相干斑噪声在SAR图像中表现为随机散布的亮点，从表面上类似光学图像中的椒盐噪声。但SAR图像中的相干斑噪声与图像处理中所遇到的一般噪声有着本质的不同，这是因为它们形成的物理过程有本质的差别。SAR图像中的相干斑噪声是在雷达回波信号中产生的，包括SAR系统在内所有基于相干原理的成像系统所固有的原理性缺点。而数字图像处理中的椒盐噪声和高斯噪声等是在对照片进行采样、量化、压缩、传输和解码等数字化过程中以及照片本身在保存过程中的退化所引起的，是直接作用到图像上的。 SAR成像系统是基于相干成像原理的，而这一理论
37、基础存在着原理性缺陷，这个缺陷表现为：在雷达回波信号中，相邻像素点的灰度会由于相干性而产生一些随机的变化，并且这种随机变化是围绕着某一均值而进行的。SAR图像的分辨单元尺寸一般为其信号波长的几十倍。因此，在每一时刻，雷达脉冲照射的地表单元内部都包含了成百上千个与波长相当的散射体。在这个单元内的地物中存在着大量的散射中心。每个散射中心都产生一个子回波，每个子回波都有独立的相位和振幅。所有子回波的矢量(包括相位和振幅)和就形成了总的回波。采用随机游动法将一系列具有随机相位的矢量叠加，即从原点开始画第一个矢量，第二个矢量接着从第一个矢量的末端开始，依次一个接一个。最后，从原点到最后一个矢量末端的矢量
38、就是合成矢量，如图 jiI 图1 相干斑噪声形成机理示意图由于这些散射体与接收机之间的相对距离在几个波长到几十个波长范围内变化，导致各散射回波存在相位差。在矢量求和时振幅会相互抵消或叠加，得到的总的回波强度与子回波的平均强度之间存在偏差。当接收机在移动中连续观测同一地表区域时，这些具有相同后向散射系数的均质区域在SAR图像中并不具有均匀灰度，呈现出颗粒状起伏，这种现象称为相干斑噪声效应。同时由于地面分辨单元总是比雷达波的波长大很多，因此可以看作由多个散射点到接受点的距离不同，产生的回波相干叠加，得到总的回波信号为： (2-1)式中，回波信号实部和虚部分别为和，表示第k个散射点的回波，其中A是S
39、AR图像中一个像素记录的回波的振幅，和分别表示其幅度和相位，M表示散射点的个数。2.2传统的SAR图像去噪方法2.2.1均值滤波均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身）。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像
40、在该点上的灰度g（x，y），即g（x，y）=1/m f（x，y）, m为该模板中包含当前像素在内的像素总个数。2.2.2中值滤波中值滤波原理：中值滤波是一种非线性的噪声处理方法，具有良好的边缘保持特性和抑制脉冲噪声的能力。其输出是观测样本分布中心的最小绝对值均值估计，是一种优化的保持边界与滤除高频噪声干扰的滤波方法，尤其对处理突变尖峰之类的脉冲噪声非常有效。中值滤波器于1971年由Tukey提出并应用于一维信号分析中，后来被二维图像处理技术所引用。中值滤波就是用一个奇数点的移动窗口(中值窗)，将窗口中心点的值用窗口内各点按其数值大小排序后中间的那个数(即中值)代替。取中值窗长度L为奇数，对采样
41、序列X(1)，X(2)，X(N)进行中值滤波，是从输入序列中相继抽出L个数X(ik)，X(i1)，X(i)，X(i+1)，X(i+k)，其中X(i)为窗口中心点值，k=(L1)2；再将这L个点按数值大小排列，取中值作为滤波输出。用公式表示为 （2-2）二维中值滤波可表示为 （2-3）二维中值滤波的窗口形状和尺寸设计对滤波的效果影响较大，不同的图像内容和应用要求，往往采用不同的形状和尺寸，常用的二维中值滤波窗口有线状、方形、圆形、十字形及圆环形等，窗口尺寸一般先用3*3，再用5*5，逐点增大，直到其滤波效果满意为止。2.3基于自适应滤波的SAR图像去噪方法自适应滤波(Adaptive)是根据环境
42、的改变，使用自适应算法来改变滤波器的参数和结构。这样的滤波器就称之为自适应滤波器。一般情况下，不改变自适应滤波器的结构。而自适应滤波器的系数是由自适应算法更新的时变系数。即其系数自动连续地适应于给定信号，以获得期望响应。自适应滤波器的最重要的特征就在于它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。数学原理:以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器可以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。自适应滤波器对输入信号序列x(n)的每一个样值，按特定
43、的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。2.3.1 Lee 滤波Lee滤波是一种迭代式自适应滤波可以在对噪声作不同假定的前提下进行处理，在Lee滤波器中，先将式(2-1)用一阶泰勒展开为线性模型，然后用最小均方误差估计此线性模型，得到滤波公式： （2-4）其中是去斑后的图像值，是去斑窗口均值，W(t)是权重函数： （2-5）和分别是斑块和图像的标准差系数： （2-6） （2-7）其中，、分别是斑块的标准差和均值，是I(t)图像的标准差。2.3.2增强 Lee滤波增强 Lee滤波算法以相对
44、标准差为依据将图象分为均匀非均匀和点状目标3类区域分别进行均值滤波Lee滤波和保持不变其算法如式 （2-8） 式中为滤波后象元（i,j）的灰度值；为滤波前象元（i,j）的灰度值；为窗口相对标准差,=V/M，V为滤波窗口中象元的方差，M为滤波窗口内象元灰度平均值；为噪声相对标准差，=/（为方差，为均值）；=；。2.3.3 Kuan滤波Kuan滤波器首先将乘性噪声模型式(2-1)改写为与信号相关的加性噪声模型，然后再利用MMSE估计模型参数。滤波公式与Lee滤波器具有相同的形式，但具有不同的权重。 (2-9) 2.3.4 Frost滤波Frost滤波器不同于Lee和Kuan滤波器，它通过观测图像与
45、SAR系统的冲击响应的卷积来估计期望反射强度，SAR系统的冲击响应通过下式的MMSE获得 （2-10）式中，为SAR系统的冲击响应，建模为自回归过程，它的自相关函数为 (2-11)式中，是信号的局部均值，为局部方差，为自相关系数，对应于不同的地面状况，这三个参数有不同的值，可以获得的估计为 （2-12）式中，是归一化常数。通过简化，可得的简单表达式为，此时的Frost滤波器的形式为 （2-13）式中，为归一化常数，从上式我们可以看出，Frost滤波器实际上是一个加权的均值滤波器，在当前处理窗口内离中心像素较远的点所占的权值较小，对中心像素的影响较小，而离中心像素较近的点所占权值较大，因而对当前
46、更新的中心像素的影响也较大。2.3.5增强Frost滤波器增强Frost滤波是对不同的象元A采用不同的计算方法，对每一象元按式(2-14)确定一个权重值然后按式（2-15）进行滤波 (2-14) （2-15） （2-16）其中D为阻尼因子，T为滤波窗口中心象元到邻域象元的绝对距离。D值越大边缘保持效果越好但平滑效果较差反之D值越小平滑效果越好但边缘保持效果较差经试验在滤波中取D=2效果较好。2.3.6 Sigma滤波Sigma滤波器建立在如下假设的基础上：窗口内的像素灰度值与其中心像素的灰度值比较接近，对于一维Gauss分布，采样点落在2区间的概率为935，假设乘性噪声服从Gauss分布，在窗口滤波过程中，只选取窗口内像素值灰度落在2范围内的点，将它们的平均灰度值作为中心像素灰度值的估计，而其他变化显著的像素则被视为作边缘而不作滤波处理，Sigma滤波器的算法如下： （2-17） （2-18）式中，为滤波前的像素值，为滤波后的像素值，在Sigma 法中，图像的边缘不会被模糊，因为只有与窗口中心对应的像素的灰度值很接近的像素点才被包含于=1集合中，但是在应用中滤波效果并不是很好，噪声得不到有效抑制。2.3.7 Gamma MAP滤波斑点噪声滤波可以看作是一个己知观测强度I，在Bayes准则下求期望反射强度R的最大后验概率
