合成孔径雷达图像去噪算法研究综述

针对合成孔径雷达中存在的相干噪声问题，对该雷达雷达图像去噪领域的主流算法进行了归纳和总结。
近年来主流的三类SAR图像算法：基于空域滤波的SAR图像去噪算法、基于变换域滤波的SAR图像去噪算法和基于深度学习的SAR图像去噪算法。
SAR图像中的斑点噪声是在雷达回波中产生的，是包括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 椒盐噪声和高斯噪声等都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产生或者由照片本身在保存过程中退化所引起的，是直接作用到图像上的。形象的讲，一块均匀场景的SAR图像中，相邻像素点之间的灰度会围绕着某一均值随机地起伏变化，这种现象称为斑点现象。一般情况下相干斑噪声是完全发育的，Googman证明了完全发育的相干斑噪声是一种乘性噪声。
基于空域滤波的去噪方法主要包括Lee滤波、Frost滤波等经典的滤波器以及非局部均值去噪等。
基于变换域的去噪方法主要包括小波变换和多尺度几何变换的图像去噪算法。
与Fourier分析理论相比，小波分析具有两大优点；其一，它是一种时频联合分析方法，能够根据信号不同的频率成分和时间域采样的疏密，自适应地调节时频窗口，同时具有时频域局部化的性能；其二，小波函数可作为许多经典函数空间的无条件基，通过快速离散小波变换能够实现这些空间中的函数逼近。
深度学习指多层的人工神经网络和训练方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活函数方法取得权重，再产生另一个数据集合作为输出。
相干斑抑制是SAR图像理解和解译的重要基础和关键前提，对后续的SAR图像处理有着重要的意义。近年来基于深度学习的方法在图像恢复、超分辨率等图像处理任务中显示出了优良的性能，其主要优点之一是直接从训练集中学习图像恢复的参数，而不依赖于预定义的图像先验或滤波器。然而，基于深度学习的图像去噪方法研究还不广泛。因此在此方法基础上对SAR图像进行相干斑抑制具有较大的应用价值和广阔的应用前景。
注：文章选自《合成孔径雷达图像去噪算法研究综述》刘帅奇