一、相干斑噪声特性与去噪难点
SAR图像相干斑源于同一分辨单元内大量散射体回波的随机相干叠加，本质是乘性噪声。以强度图像表示，观测模型为 I = R·n，其中R为理想后向散射强度，n为均值等于1的乘性相干斑。单视强度服从指数分布、幅度服从瑞利分布，多视平均后强度趋近Gamma分布，视数越多噪声越弱。工程中常用等效视数（ENL）刻画噪声强度，ENL = 均值²/方差，数值越大表示噪声抑制越充分。
无人机载MiniSAR与大型机载平台相比，为在有限载荷与飞行高度下保持高分辨率，往往采用单视或低视数成像，相干斑更为显著，去噪需求更迫切。其去噪难点可概括为四方面：
1. 噪声乘性且与信号相关，直接套用面向加性噪声的算法会产生系统性偏差；
2. 高分辨率图像中道路边缘、建筑物棱线、孤立目标等细节尺度小，过度平滑将直接抹除可解译特征；
3. 去噪不得破坏辐射定标关系，否则后续定量反演失真；
4. 无人机供电与机载算力受限，算法须兼顾实时性与嵌入式可部署性。
二、主流去噪算法原理
1. 空间域经典滤波
（1）Lee滤波基于局部统计与最小均方误差准则，利用滑动窗口内的均值与方差估计真实后向散射，在均匀区平滑充分、在边缘区自动降低平滑权重，计算量小，是工程应用最广的基准算法。（2）Kuan滤波与Lee同源，以全局噪声方差替代局部估计，均匀区性能更稳定。
（3）Frost滤波通过随局部变异系数自适应收缩的指数脉冲响应实现加权平均，对纹理区保持优于Lee滤波。
（4）Gamma MAP滤波假设后向散射服从Gamma先验，采用最大后验准则估计，中等纹理区细节保持较好，是经典滤波中综合表现较优者。
此类算法性能受窗口尺寸制约，存在分辨率保持与噪声抑制的固有矛盾。
2. 变换域与非局部方法
小波去噪先对图像取对数，将乘性噪声近似转化为加性噪声，再对各小波子带做阈值收缩，通用阈值为σ√(2lnN)（σ为对数域噪声标准差，N为像素数）。该方法理论渐近最优，但强边缘处易产生振铃伪影。非局部方法利用图像自相似性，以块间相似度加权估计中心像素。（1）SAR-BM3D将非局部块匹配、三维协同滤波与小波域乘性噪声处理相结合，是传统方法公认的性能标杆；
（2）概率块匹配方法（PPB）依据相干斑Gamma统计特性设计专用相似度度量，在强纹理区域表现突出。
非局部类方法去噪效果优，但块搜索计算量大，实时性较差。
3. 深度学习方法
深度卷积网络通过大量样本学习含噪图像到干净图像的映射，无需显式噪声模型。（1）通用网络DnCNN采用残差学习与批归一化结构，在对数域处理后即可用于SAR去噪；其后出现的SAR专用网络引入散射统计约束、多尺度特征融合与注意力机制，在合成数据上普遍取得优于传统方法的结果。
（2）自监督方法（如Speckle2Void）利用单张含噪图像自身构造训练样本，摆脱了对干净参考图的依赖，更契合实测场景。
深度学习的主要风险在于训练域与实测域失配：机载平台系统噪声、天线方向图与仿真条件不同时，网络输出可能出现伪纹理或辐射畸变。
三、性能评估指标体系
客观评估需多指标联合使用，各指标含义与侧重如下表：
|
指标 |
评估侧重 |
局限 |
|
PSNR（峰值信噪比） |
像素级保真 |
与视觉感知不完全一致 |
|
SSIM（结构相似性） |
结构纹理保持 |
对乘性噪声敏感 |
|
ENL（等效视数） |
均匀区噪声抑制 |
仅在均匀区有效 |
|
EPI（边缘保持指数） |
边缘细节保持 |
依赖边缘提取质量 |
|
均值偏差 |
辐射保真 |
不能反映空间结构 |
除上述指标外，工程评估还应增加点目标冲激响应主瓣宽度（衡量分辨率损失）、单帧处理耗时与内存占用。任何单一指标都不足以裁决算法优劣，应以噪声抑制、细节保持、辐射保真、实时性四维联合判据综合决策。
四、对比实验与结果分析
以下给出两组代表性基准实验数据。
1. 实验一为仿真数据：在标准测试图像上叠加单视相干斑（强度噪声方差约1.0），以含噪图与干净图计算PSNR与SSIM；
2. 实验二为X波段机载MiniSAR实测数据：选取均匀农田区计算ENL，选取道路边缘计算EPI，并统计滤波前后均值偏差。
表中数值取多篇公开对比研究的典型结果，具体数值随数据集与参数配置略有波动。
表1 仿真数据去噪结果（单视相干斑，典型值）
|
算法 |
PSNR/dB |
SSIM |
|
含噪原图 |
14.2 |
0.28 |
|
Lee 滤波（7×7） |
23.5 |
0.76 |
|
Frost 滤波（7×7） |
23.1 |
0.75 |
|
Gamma MAP（7×7） |
24.6 |
0.80 |
|
小波软阈值 |
25.8 |
0.83 |
|
SAR-BM3D |
28.9 |
0.91 |
|
DnCNN（对数域） |
30.2 |
0.93 |
|
算法 |
ENL |
EPI |
均值偏差 /% |
|
含噪原图 |
1.3 |
1.00 |
0 |
|
Lee 滤波 |
18.6 |
0.62 |
-0.4 |
|
Gamma MAP |
21.4 |
0.66 |
-0.2 |
|
SAR-BM3D |
45.2 |
0.78 |
-0.6 |
|
深度网络 |
52.8 |
0.85 |
-2.1 |
进一步分析各方法短板。
（1）Lee与Kuan滤波在强异质区会引入孤立点状伪影；
（2）Frost与Gamma MAP对窗口与迭代参数敏感；小波方法边缘振铃明显；
（3）SAR-BM3D块匹配耗时大，1024×1024图像在CPU上需数秒，机载场景须借助GPU或专用硬件加速；
（4）深度网络在系统噪声、通道误差与仿真条件失配时泛化能力骤降。
可见不存在全域最优算法，选型取决于分辨率需求、平台算力与辐射定量要求三重约束。
五、工程落地要点与结论
工程部署建议如下。
1. 实时监视链路优先选用增强Lee或Gamma MAP并结合多视处理，可在DSP或FPGA上实现帧级流水，满足低时延需求；
2. 高精度离线测绘采用SAR-BM3D或经实测数据微调的深度网络，输出环节须补做辐射校正与点目标核查；
3. 深度网络上线前必须使用同载荷实测数据进行微调与域适配，并以EPI与均值偏差双指标把关；
4. 去噪应置于多视、滤波与几何校正的联合优化框架中，避免各环节重复引入误差。
面向无人机载MiniSAR，经典空间域方法以计算优势适用于实时监视，非局部方法以均衡性适用于离线精细处理，深度学习方法以最高精度潜力适用于具备充足实测样本的测绘场景。实际系统宜采用实时粗去噪与离线精去噪相结合的双链路策略，并始终以噪声抑制、细节保持、辐射保真与实时性四维联合评估选型效果。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！