我们在了解了星载SAR的实时成像基本机理之后可以知道，如果想要得到令人满意的星载SAR图像，就要先了解什么是噪声[5]。噪声的来源有很多，有由于SAR相干成像的原理带来的相干斑噪声，还有由于空间干扰以及设备原因带来的噪声污染。被噪声污染的图像结构会被破坏，图片质量会受到影响，从而会影响到用户对于图片信息的获取。为了最大化地得到图片所蕴含的信息，我们就需要对被污染的图像进行去噪处理，所以，对于图像去噪方法的研究显得十分必要。78047

在所有噪声来源中，SAR相干成像导致信号在传输过程中会发生干涉而导致的噪声对于图像的影响最大[6]。因此，我们重点讨论对于相干斑噪声的抑制。

我们了解到，世界上公认的对于SAR图像中存在的相干斑噪声的比较有效的降噪处理的方法有以下四种[7]：

（1）多视处理方法

（2）基于空间域的滤波算法

（3）基于变换域的滤波方法

（4）运用偏微分方程的相干斑处理方法[8]多视处理方法。多视处理方法的通常而言有两种，一种是保持滤波器的带宽，把需要处

理的图像的灰度值进行平均处理，来达到滤波的目的；另一种有效的方法是把距离向或者方位向的滤波器的频带宽度减少，在频谱上将一幅图像分成多个多视子图像，利用非相干叠加的方法进行滤波，从而达到降噪的目的[9]。但是，多视处理方法是以牺牲图像系统分辨率为代价进行滤波的，会给图像质量带来一些影响，导致图像的边缘或者细节特征遭到破坏，进而会引起信息丢失。

随着数字图像处理技术的不断进步，人们又提出了一种新的滤波思路，根据空间域图像信息来进行图像的降噪。基于空间域的滤波的具体算法有很多，各有各的特点，但是这些算法算法在原理上可以分为两类：一种是与斑点噪声统计特性无关的方法，典型的有均值滤波和中值滤波，它们的滤波原理是利用噪声具有的独立且不相关的性质，估算滑动窗口内的图像像素的灰度的中值或者均值，并将其作为每个窗口的中心像素值，从而达到滤波的目的。另一种是基于SAR图像的统计特性的自适应滤波方法，如Lee滤波、Frost滤波和Kuan滤波等[10]。其中，Lee滤波和Kuan滤波的基本原理比较相似，都是先利用估计算法，得到滑动窗口内图像像素的均值和方差，然后遵守一定得滤波原则进行运算，最后得到降噪结果。而Frost滤波则是通过不断调节滤波参数，采用调节因子的方式来进行相干斑的抑制。当然，这些被提出的滤波算法都在具有先进性的同时，也具有一定的缺点，比如这类基于空间域的滤波算法对于图像均匀，过度平滑的SAR图像表现较好，而对于包含多种地理类型的图像的滤波效果则不尽如人意。几年来，增强型的Lee滤波算法以及增强型的Frost滤波算法也被相继提出，但是也不能从本质上解决基于空间域滤波算法会在滤波的同时，使图像变得模糊的问题。论文网

空间域滤波算法有其独特的优点，但是仍然有其局限性，为了更好的降噪效果，科研学者们又提出了基于变换域的一些滤波算法。基于变换域的相干斑抑制其总的原理是根据图像和噪声在变换域中所表现出的不同特性进行消除噪声。具体做法是在变换域中，我们找到分别表示图像信息和无用噪声的参数，然后滤波时保留图像信息的变换域参数，消去噪声的变换域的参数，然后在利用变换域的逆变换得到滤波图像。我们常用的变换域算法有：基于傅里叶变换的图像滤波算法，基于Bandletds变换和Contourlet变换的滤波算法等。噪声的高频特性是傅里叶变换滤波方法的关键，在频域中消除高频的信号分量，就能达到降噪的目的，然而，傅里叶变换对于处理平滑图像的噪声具有极大的先进性，而对于一些图像的边缘细节，由于其频谱表现也是高频信息，所以有可能被误认为是噪声而被滤除，造成图像细节的缺漏，这就会抑制图像信息，并不是我们想要的结果。而随着小波技术的不断发展，近年来，基于小波变换的相干斑抑制方法也成为了人们研究的重点。我们通过小波分解，将图像分解成多个子带，从而对于各个频率的子带进行符合规则的操作，改变其对应的小波系数，再通过逆