SAR图像相干斑抑制方法综述

鲁自立，贾 鑫，朱卫纲,曾创展

(中国人民解放军装备学院 a.研究生管理大队； b.光电装备系，北京 101416)



【信息科学与控制工程】

SAR图像相干斑抑制方法综述

鲁自立a，贾 鑫b，朱卫纲b,曾创展a

(中国人民解放军装备学院 a.研究生管理大队； b.光电装备系，北京 101416)

由于SAR是相干成像系统，在获取SAR图像时会含有相干斑噪声，使得SAR图像的解译，理解变得困难，因此有必要对SAR图像的相干斑进行抑制；首先介绍了相干斑的形成机理，之后对多视处理技术、空域滤波技术、变换域滤波技术和非局部均值滤波技术进行总结，在简要介绍各种方法的来源、理论基础和发展的基础上对比了各自的优缺点，最后展望了SAR图像相干斑抑制研究领域的进一步发展方向。

SAR图像；相干斑抑制；空域滤波；变换域滤波；非局部均值

合成孔径雷达(SAR)是一种主动式相干侧视成像雷达，利用与目标的相对运动，把较小尺寸的真实天线孔径用数据处理合成较大等效天线孔径的雷达[1]。它于20世纪60年代初开始在军事高空侦察中发挥重要作用，并于20世纪60年代中期逐步扩展到民用遥感领域。相对于传统的光学图像，SAR图像具有全天候、全天时、高分辨率和强大的穿透能力等特点，而且特征信号丰富，含有幅度、相位和极化等多种信息，弥补了普通光学图像的不足，因而使其广泛地应用在生活和军事领域中，如航天测绘、灾情估计、海洋以及城市变迁等情况。

尽管SAR的优点众多，但是SAR也有与生俱来的不足之处，它特殊的相干成像机制会导致图像有斑点噪声，使得图像信噪比下降[2]，为目标识别和特征提取造成困难，而平滑图像并抑制相干斑的预处理是一个不可缺少的过程，因此SAR相干斑抑制技术的研究一直是SAR成像处理与SAR图像分析中的一个重要课题。

本文首先介绍了相干斑形成的机理，然后对常用的相干斑方法进行梳理，最后展望了相干斑抑制领域的进一步发展趋势。

1 相干斑形成机理

SAR是微波相干成像，理想点目标散射电磁波，其回波为球面波，如图1所示，在球面上其幅度处处相等，因此可以将此目标看成由许多理想点目标组成。由于这些理想点目标均处于同一个分辨单元内，SAR无法分辨这些目标，它所收到的信号是这些理想点目标的矢量和。

图1 相干斑产生机理

由两个或两个以上频率相同、振动方向相同、相位方向相同或相差恒定的电磁波在空间叠加时，合成波振幅为各个波振幅的矢量和。因此，会出现交叠区某些地方振动加强，某些地方振动减弱或完全抵消的现象，这种现象称为干涉，产生干涉现象的电磁波称为相干波。

由于SAR发射的是相干电磁波，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，而是围绕这些散射系数值有很大的随机起伏[3]，这种起伏在图像上的反映就是相干斑噪声，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[4]，严重时使图像模糊甚至图像特征消失。

2 相干斑抑制方法

经过30多年的发展，SAR图像相干斑抑制得到了深入研究，涌现了许多卓有成效的方法。根据SAR图像数据格式，可以将SAR图像相干斑抑制方法分为基于实数据的方法和基于复数据的方法。目前针对复数据的算法研究较少，具有代表性的是基于吉布斯先验模型的贝叶斯估计[5]和基于最大熵原理的规则化[6]。研究较多的基于实数据相干斑抑制算法大致可以分为4类:成像前的多视处理技术、成像后的空域滤波技术和变换域滤波技术[7]，以及正在发展的非局部均值滤波技术。

2.1 多视处理技术

2.1.1 多视处理技术的研究发展

多视处理技术是早期对SAR图像相干斑进行处理的方法。该技术主要有以下两种：

1) 第一种是对合成孔径的多普勒带宽进行分割，孔径被分割后分别各自成像(出现多视)，然后，把叠加后的各个子视图进行平均处理。但是，多视处理技术的前提是每一个子视图像所观测的必须是相同的地物，几乎是同时且没有辐射失真，它们也应该使用相同的极化方式和频率。

2) 第二种多视处理技术是在成像之后进行的，通过给定空间的后向散射特性(RCS)进行假设，其中，最简单的假设是RCS在给定像元附近是常数。在这种情况下，给定L独立像元值，平均这些像元的强度值，可以得到更加准确的像元值。

上述的两种方法都属于多视处理技术，为了提高分辨率，却都忽略了不同的特征信息。在第一种情况下，随着观测角的变化，雷达散射面被忽略了；在第二种情况下，忽略了空间变化的影响。在图像的均匀区域，这两种方法都能给出真实像元值同样精确度的估计，但是在异质区域内，由于宽度在给定位置的点扩散函数不同，这两种方法有可能给出不同的估计值。虽然，需要大量的数据对像元值进行平均，但是在异质区域，平均窗口具有可调整的优点。

2.1.2 多视处理技术的优缺点

1) 多视处理技术的优点。方法简单，容易实现，实用性强，对图像的强度进行平均处理后，不仅保留图像携带的信息，并且处理后的结果便于进行统计分析。

2) 多视处理技术的缺点。虽然提高了SAR图像的辐射分辨率，但却降低了信号带宽的利用率。在早期SAR成像处理中，多是采用这种以牺牲图像分辨率为代价的处理技术，但是随着SAR图像应用的不断拓展，对空间分辨率的要求也在不断提高，多视处理技术已不能满足更高的要求。

2.2 空域滤波技术

2.2.1 空域滤波技术的研究发展

从20世纪80年代开始，SAR图像相干斑抑制方法得到大力发展，出现了许多以空域滤波技术为基础的相干斑抑制方法，并且获得了广泛的应用。空域滤波技术的基本思想是假定噪声模型，基于局部统计特性进行滤波处理。通过对空域滤波的研究归纳，主要分为以下5类：

1) 非自适应的传统滤波方法：均值滤波、中值滤波、K-邻域滤波等传统滤波器。

2) 局部自适应的统计类滤波：这类滤波是考虑噪声的统计特性基础上的空间域滤波方法。典型的算法有Lee滤波[7]，Kuan滤波[8]，Frost滤波。它们是利用局部统计信息对去除相干斑噪声后的数据进行估计。Lee滤波和Frost滤波都是以最小均方误差估计准则为基础的，Frost滤波器与Lee滤波和Kuan滤波的不同之处是它通过观测图像与SAR系统的冲击响应的卷积来估计场景的真实回波，该滤波考虑了场景的相关性。

3) 最大后验概率滤波是结合SAR图像统计特性的滤波，在假定地面散射系数呈现Gamma分布或是其它更精确的分布，采用最大后验概率的方法对真实散射特性进行估计，典型算法有Gamma MAP滤波器。

4) 基于局部统计特性滤波器的改进滤波：Lopes[9]等认为理想的滤波器应该能够在同质区域求像素平均值来估计像素值。在这种情况下，得到的是像素均值的最小无偏估计，而且对纹理信息和相干斑需要分别处理，同时定义了基于局部统计的相干斑相关准则[10-11]，根据不同区域的不同特性采取不同的滤波方法。这类方法有增强Lee滤波[12-13],增强Frost滤波，增强Map滤波等。

5) 偏微分方程方法是近年来一种新的信号处理技术，Perona和Malik[14]提出各向异性扩散方程，一般称为Perona-Malik(简称P-M)扩散模型。文献[15]提出一种快速各向异性高斯滤波方法，通过选用不同高斯尺度，较好保留图像边缘信息。文献[16]研究了反扩散性质，将扩散与反扩散相结合，提出既能平滑去噪，又能有效增强图像的前后扩散模型。文献[17]运用小波分析理论，提出双频带内进行扩散的思想，提高去噪效率。

2.2.2 空域滤波技术的优缺点

1) 空域滤波技术的优点。由于非自适应的滤波方法直接对图像像素进行处理，实现起来比较简单，中值滤波和K-邻近滤波能够较好的保持边界。局部自适应滤波能够在平滑噪声的同时有效地保持明显的边缘，能够通过设定相应的参数调整平滑效果和边缘保持效果，算法比较简明，是常用的相干斑抑制方法。最大后验概率滤波，由于结合了SAR图像的统计特性函数，在相干斑抑制方面取得较好的效果，并得到广泛的研究。Lee滤波和Frost滤波都可以表示为各向同性扩散的偏微分方程形式,而且变换后可以表达为各向异性扩散滤波形式，这是偏微分方程和自适应滤波器之间的联系。P-M模型能够在图像去噪的同时尽量保持边缘甚至能一定程度地增强棱边，在实际应用中取得了良好的效果。

2) 空域滤波技术的缺点。通过固定窗口对图像进行操作，并没有考虑到像元周围的局部结构信息，所以在传统的统计学方法对区域一致性较好的图像有着很好的效果，而对边缘和细节特征的保持不是很理想。非自适应滤波器方法没有考虑噪声的模型和统计特性，效果并不理想，均值滤波降低了图像分辨率并模糊了图像的边缘信息，而中值滤波和K-邻近滤波可能滤除点目标，因此图像分辨率会降低。Lee、Frost等统计类滤波对噪声的静态假设有时与信号的实际情况不符，而且在消噪的同时很难较好地保持边缘和纹理细节，使图像过度平滑而变得模糊。P-M模型的平滑效果较差，容易出现“块效应”，即处理后的图像形成多个内部灰度相同的块区域或阶梯状区域；当迭代次数增多时，对边缘的保持效果也不甚理想。

2.3 变换域滤波技术

2.3.1 变换域滤波技术的研究发展

在变换域滤波技术中，目前小波变换及多分辨分析方法已然成为相干斑抑制的热点。其基本思想是小波变换可以从不同的分辨空间描述图像的局部特征，使得信号和噪声在小波变换域中表现出不同的特征，从而较易区分信号和噪声，被有效地用于SAR图像的相干斑抑制[18-19]。主要分为以下3类：

1) 小波收缩抑制方法：Donoho针对高斯白噪声模型提出了小波变换的硬阈值和软阈值去噪方法[20-21]，其中软阈值方法得到广泛应用；莱斯大学的H.Guo等人最早将小波变换应用于SAR图像相干斑抑制[22]。基本思想是利用自适应收缩因子对平稳小波变换后的系数进行处理，通过对SAR图像进行多层平稳小波变换，对细节图像信号进行阈值处理，达到相干斑抑制的效果。

2) 小波马尔可夫模型方法：将小波变换和马尔可夫随机场模型相结合[23]，建立小波马尔可夫模型。通过研究SAR图像小波分解系数的统计模型，结合马尔可夫随机场等理论，可以解决相干斑抑制。

3) 多尺度几何滤波方法：由于图像在小波基上的投影并不是最稀疏的，使得小波域的相干斑抑制方法受到局限，后来基于Bandlet变换、Contourlet变换等一系列多尺度分析工具逐渐应用到相干斑抑制中，取得较好效果。其中Frocher S.等[24]提出了采用非下采样的Contourlet多尺度稳态变换对SAR图像进行相干斑抑制，取得了比局部统计的最小均方误差估计收缩函数和对数变换的Contourlet系数软阈值收缩更好的抑制效果和边缘保持效果。

2.3.2 变换域滤波技术的优缺点

1) 变换域滤波技术的优点。小波变换的方法对边缘有着较好的保留效果，通过在小波变换算法中加入局部滤波算法，在抑制高频部分子图像中噪声的同时，进行边缘检测，或者融合自适应窗算法，都可以得到更好的抑制效果。通过引入小波马尔可夫模型，可以在保持图像的纹理和边缘等细节信息的同时，加强均匀区域的滤波效果，提高相干斑抑制效果。多尺度几何滤波方法，能更准确地抓住图像的边缘细节，纹理特征信息，获得更稀疏的信号表示能力，通过Contourlet波变换，将多尺度分析和方向分析分别进行，具有局部化、分辨性高以及方向性强等优良特性。

2) 变换域滤波技术的缺点。小波对于二维奇异性(图像的边缘)达不到很好的处理效果，对于含奇异曲线的二维分片光滑函数，小波变换的非线性逼近误差的衰减速度不是最优。此外，由一维小波通过张量积运算而形成的二维可分离小波，由于只有水平、垂直和对角线这3个有限的方向数，很难捕捉其它方向的更加复杂的细节，不能完全捕获图像细节的丰富信息。小波域马尔可夫模型仍存在一些问题，如块效应、训练算法收敛较慢、大图像的计算量大等问题。其中块效应是树状结构的先天性缺陷，虽然己有一些针对块效应的解决办法，如后验平滑[25]、N交叠树[26]、N上下文模型[27]等，但这些方法会使得树状结构计算高效的优点完全或部分丧失。通过研究SAR图像小波分解系数的统计模型，结合贝叶斯理论框架、马尔可夫随机场理论，可望更好地解决相干斑抑制问题。但如何对SAR图像的小波分解系数进行建模以及参数估计问题则是具有挑战性的问题[28-31]。

2.4 非局部均值滤波技术

2.4.1 非局部均值滤波技术的研究发展

非局部均值(NLM)相干斑抑制算法近些年逐渐发展，得益于在自然图像处理领域取得的显著效果。非局部方法最初由Buades等[32]在2005年提出，基本思想是通过衡量当前像素点与其邻域内其它像素点为中心的相似窗之间存在的相似度对图像进行处理。

改进方法主要有：文献[33]通过改善相似性及优化参数,研究出最优空间自适应非局部平均算法。文献[34]提出块匹配三维协同滤波(BM3D)方法，该算法较好的将局部算法与非局部算法的优势融合在一起，不仅很好的保持了图像的纹理与边缘区域，而且使得图像极少加入虚假消息，之后发展为SAR-BM3D滤波。文献[35]利用图像中具有对称结构的性质,在相似性邻域的比较中引入邻域的对称变换,更好地利用了图像的自相似性质。文献[36]以梯度域的奇异值分解作为研究对象，针对不能很好获取图像的子块特性提出了预选择自适应非局部图像去噪算法。文献[37]通过引入残差滤波的概念，提出了一种新的建立在非局部稀疏模型与残差滤波上的SAR图像字典学习算法，优化了加权K-SVD算法，克服了对SAR图像斑点噪声进行处理时容易受到斑点噪声干扰、字典学习不充分的缺陷。文献[38]将BM3D算法应用于海洋SAR图像去噪,总结出BM3D参数的选择原则，应用于实测数据的处理中，取得较好的效果。

2.4.2 非局部均值滤波技术的优缺点

1) 非局部均值滤波技术的优点。一是利用像素之间的相似性进行加权平均，同时，该算法没有利用像素的空间关系，几乎不会引入虚假信息；二是对每两个像素进行相似性度量时考虑了周围子块而不是单一像素间的相似性，可以在去除噪声的同时有效地保持纹理等具有重复结构的特征，较好的利用了局部结构信息。

2) 非局部均值滤波技术的缺点。在邻域窗口参数选择方面存在缺陷，如果窗口选择过大会导致点目标丢失，而选择过小会导致边缘纹理模糊；相似性度量鲁棒性不够，易丢失一些相似的像素，同时赋予不相似像素一定的权重，造成细节处噪声去除不彻底以及缓变区域被过度平滑的现象；相似权重参数如何确定不够明确，该参数是一个敏感参数，对去噪结果影响较大，参数过大易造成图像过度平滑，过小图像会残留较多噪声；算法的计算量太大，图像片的相似性比较花费了大量时间，造成算法的运行速度较慢，限制了其应用范围。

3 总结和展望

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图像处理有着非常重要的意义。大量的实际应用和仿真实验表明，上述的相干斑抑制算法都是在去除相干斑噪声和保持SAR图像中的纹理、边缘、细微几何结构等细节信息之间进行折中。要想达到相对满意的相干斑抑制效果还是要根据实际的SAR图像和实际的应用需求采取相应的抑斑算法[39]。如何在进行有效的相干斑抑制的同时，更好地保持SAR图像的纹理和边缘信息是目前SAR图像相干斑抑制研究的一个重点和难点。对于现有的相干斑抑制方法，虽然取得一定效果，但主要是在局部区域进行抑制，而非局部均值方法是利用图像的自相似性，对结构相似的像素进行加权平均消除噪声的影响，利用的是非局部信息。在此方法基础上对SAR图像进行相干斑抑制是一个值得研究的方向。随着SAR图像品质要求越来越高，相干斑抑制方法会为后续SAR图像分割、检测、识别等工作提供良好的预处理效果，保证SAR图像的后续工作有效进行。

[1] OLIVER C,QUEGAN S.Understanding synthetic aperture radar images[J].Applied Optics,2004(10):75-79.

[3] DERIN H,KELLY P A,VEZINA G,et al.Modeling and segmentation of speckled images using complex data[J].IEEE Transactions on Geoscience & Remote Sensing,1990,28(1):76-87.

[4] DERIN H,KELLY P A,VEZINA G,et al.Modeling and segmentation of speckled images using complex data[J].IEEE Transactions on Geoscience & Remote Sensing,1990,28(1):76-87.

[5] FRIEDEN B R,BAJKOVA A T.Bayesian cross-entropy reconstruction of complex images.[J].Applied Optics,1994,33(2):219-26.

[6] MOREIRA A.Improved multilook techniques applied to SAR and SCANSAR imagery[J].IEEE Transactions on Geoscience & Remote Sensing,1991,29(4):529-534.

[7] LEE J S.A simple speckle smoothing algorithm for synthetic aperture radar images[J].IEEE Transactions on Systems Man & Cybernetics,1983,13(1):85-89.

[8] KUAN D T,SAWCHUK A,STRAND T C,et al.Adaptive restoration of images with speckle[J].IEEE Transactions on Acoustics Speech & Signal Processing,1987,35(3):373-383.

[9] LOPES A,TOUZI R.Adaptive speckle filtering for SAR images[C]//Geoscience and Remote Sensing Symposium,1988.Igarss’88.Remote Sensing:Moving Toward the Century International,1988:1263-1266.

[10]LOPES A,TOUZI R,NEZRY E.Adaptive speckle filters and scene heterogeneity[J].Geoscience & Remote Sensing IEEE Transactions on,1990,28(6):992-1000.

[11]LOPES A,NEZRY E,TOUZI R,et al.Maximum a posteriori speckle filtering and first order texture models in SAR images[C]//Geoscience and Remote Sensing Symposium,1990.Igarss ‘90’.remote Sensing Science for the Nineties’ International IEEE,1990:2409-2412.

[12]LU Y H,TAN S Y,YEO T S,et al.Adaptive filtering algorithms for SAR speckle reduction[C]//Geoscience and Remote Sensing Symposium,IGARSS ‘96’.Remote Sensing for a Sustainable Future.,International.IEEE,1996:67-69.

[13]LEE J S.Digital image enhancement and noise filtering by use of local statistics[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1980,2(2):165-168.

[14]PERONA P,MALIK J.Scale-space and edge detection using anisotropic diffusion[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1990,12(7):629-639.

[15]GEUSEBROEK J M,SMEULDERS A W M,WEIJER J V D.Fast anisotropic gauss filtering[C]//European Conference on Computer Vision.Springer-Verlag,2002:99-112.

[16]GILBOA G,SOCHEN N,ZEEVI Y Y.Forward-and-backward diffusion processes for adaptive image enhancement and denoising[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,2002,11(7):689-703.

[17]SHIH A C,LIAO H Y,LU C S.A new iterated two-band diffusion equation:theory and its application[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,2003,12(4):466.

[18]XIE H,PIERCE L E,ULABY F T.SAR speckle reduction using wavelet denoising and Markov random field modeling[J].IEEE Transactions on Geoscience & Remote Sensing,2002,40(10):2196-2212.

[19]FUKUDA S,HIROSAWA H.Suppression of speckle in synthetic aperture radar images using wavelet[J].International Journal of Remote Sensing,1998,19(3):507-519.

[20]DONOHO D L,JOHNSTONE I M.Ideal spatial adaption by wavelet shrinkage, Biometrika 81[J].Biometrika,1994,81:425-455.

[21]DONOHO D L,DONOHO D L.De-noising via soft thresholding[J].IEEE Transactions on Information Theory,1995(5):10-16.

[22]GUO H,ODEGARD J E,LANG M,et al.Wavelet based speckle reduction with application to SAR based ATD/R[C]//Image Processing,1994.Proceedings.ICIP-94.IEEE International Conference.IEEE,1994(1):75-79.

[23]XIE H,PIERCE L E,ULABY F T.SAR speckle reduction using wavelet denoising and Markov random field modeling[J].Geoscience & Remote Sensing IEEE Transactions on,2002,40(10):2196-2212.

[24]FOUCHER S,FARAGE G,BENIE G B.SAR image filtering based on the stationary contourlet transform[C]//IEEE International Conference on Geoscience & Remote Sensing Symposium,2006:4021-4024.

[25]LUETTGEN M R,CLEM K W,WILLSKY A S.Efficient multiscale regularization with applications to the computation of optical flow[J].IEEE Transactions on Image Processing,1994,3(1):41-64.

[26]IRVING W W,FIEGUTH P W,WILLSKY A S.An overlapping tree approach to multiscale stochastic modeling and estimation[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,1997,6(11):1517-29.

[27]BOUMAN C A,SHAPIRO M.A multiscale random field model for bayesian image segmentation[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,1994,3(2):162-177.

[28]ODEGARD J E,GUO H,LANG M,et al.Wavelet-based SAR speckle reduction and image compression[C]//Algorithms for Synthetic Aperture Radar Imagery II.Algorithms for Synthetic Aperture Radar Imagery II,1995:259-271.

[29]CHOU K C,GOLDEN S A,WILLSKY A S.Multiresolution stochastic models data fusion and wavelet transforms[J].Signal Processing,1993,34(3):257-282.

[30]CHENG H,BOUMAN C A.Multiscale bayesian segmentation using a trainable context model[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,2001,10(4):511-25.

[31]CROUSE M S,NOWAK R D,BARANIUK R G.Wavelet-based statistical signal processing using hidden Markov models[J].IEEE Transactions on Signal Processing,1998,46(4):886-902.

[32]BUADES A,COLL B,MOREL J M.A non-local algorithm for image denoising[C]//IEEE Computer Society Conference on Computer Vision & Pattern Recognition.IEEE Computer Society,2005(2):60-65.

[33]KERVRANN C,BOULANGER J,COUPé P.Bayesian non-local means filter,image redundancy and adaptive dictionaries for noise removal[C]//Scale Space and Variational Methods in Computer Vision.Springer Berlin Heidelberg,2007:520-532.

[34]DABOV K,FOI A,KATKOVNIK V,et al.Image denoising by sparse 3-D transform-domain collaborative filtering[J].IEEE Transactions on Image Processing,2007,16(8):2080-95.

[35]孙伟峰,彭玉华.一种改进的非局部平均去噪方法[J].电子学报,2010,38(4):923-928.

[36]许光宇,檀结庆,钟金琴.自适应的有效非局部图像滤波[J].中国图象图形学报,2012,17(4):471-479.

[37]马可.基于非局部稀疏模型的SAR图像字典学习及应用[D].西安：西安电子科技大学,2014.

[38]石健,汪洋,黄海风.BM3D算法在海洋SAR图像去噪中的应用[J].雷达科学与技术,2016,14(1):24-32.

[39]ARGENTI F,LAPINI A,BIANCHI T,et al.A tutorial on speckle reduction in synthetic aperture radar images[J].IEEE Geoscience & Remote Sensing Magazine,2013,1(3):6-35.

[40]黄世奇，黄文准，刘哲.基于二维本征模态函数的SAR图像目标检测[J].兵器装备工程学报，2016(8):93-97.

(责任编辑 杨继森)

Study on SAR Image Despeckling Algorithm

LU Zi-lia， JIA Xinb， ZHU Wei-gangb, ZENG Chuang-zhana

(a.Department of Graduate Management; b.Department of Optical and Electronic Equipment, Academy of Equipment of PLA, Beijing 101416, China)

Because SAR is a coherent imaging system containing coherent noise and it makes SAR image difficult to understand, it is necessary to despeckleling SAR image. In this paper, we firstly analyzes the forming of speckle, and then summarizes SAR image despeckling algorithm, such as multi-look filter technology, spatial domain filter technology, transform domain filter technology and non-local means filter technology. On the basis of the brief introduction of each algorithm’s origin, theoretical foundation and development, their advantages and disadvantages are compared. At last, the paper summarizes the prospects of the developing direction of SAR image despeckling algorithm.

SAR image; despecking algorithm; spatial domain filter; transform domain filter; non-local means filter

2017-03-10；

2017-03-30

鲁自立(1992—)，女，硕士研究生，主要从事SAR图像处理研究。

10.11809/scbgxb2017.06.023

format:LU Zi-li，JIA Xin，ZHU Wei-gang, et al.Study on SAR Image Despeckling Algorithm[J].Journal of Ordnance Equipment Engineering,2017(6):104-108.

TP751.1；TJ765

A

2096-2304(2017)06-0104-05

本文引用格式：鲁自立，贾鑫，朱卫纲,等.SAR图像相干斑抑制方法综述[J].兵器装备工程学报，2017(6):104-108.