相干斑噪声是
微型合成孔径雷达（MiniSAR）成像系统固有的缺陷，而MiniSAR受限于平台载荷约束，其信噪比更低、运动误差更大、系统幅相一致性更差，斑点噪声的影响被显著放大，严重制约了图像解译、目标检测与参数反演的精度。本文系统阐述了MiniSAR斑点噪声的核心成因，重点分析了MiniSAR平台特有的噪声增强机制，梳理了主流的噪声抑制技术体系，明确了不同方法的适配场景与性能边界，提出了MiniSAR斑点噪声抑制的性能评价体系，为MiniSAR成像质量提升与工程化应用提供理论与技术参考。
MiniSAR斑点噪声的产生分为两个层面：一是SAR相干成像机理导致的固有相干斑噪声，这是所有SAR系统共有的本质成因；二是MiniSAR平台特有的硬件、运动与成像处理约束导致的噪声增强效应，这是MiniSAR斑点噪声更严重的核心原因。
1. 相干斑噪声的固有成像机理
SAR是典型的相干成像系统，其发射的电磁波具有高度的相位相关性，地面分辨单元内通常包含大量独立、随机分布的散射体，每个散射体都会对入射电磁波产生后向散射，最终天线接收的回波是所有散射体回波的矢量叠加。
分辨单元内的回波复信号可表示为：
I = Σ (k=1 to N) a_k · exp(j·φ_k)
其中，N为分辨单元内的独立散射体数量，a_k为第k个散射体的回波幅度，φ_k为第k个散射体回波的随机相位，相位由散射体与天线的波程差决定，满足φ_k=4πR_k/λ（R_k为散射体到天线的斜距，λ为雷达工作波长）。由于散射体的空间位置随机分布，φ_k在[0,2π]区间内服从均匀分布，回波合成矢量呈现随机游走特性，最终导致图像灰度的随机起伏，形成相干斑噪声。
对于均匀地物区域（无强散射点目标），当N足够大时，回波幅度|I|服从瑞利分布，其概率密度函数为：
p(|I|) = (|I|/σ²) · exp(-|I|²/(2σ²)), |I| ≥ 0
其中σ为瑞利分布的尺度参数。此时相干斑噪声为乘性噪声，其均值为1，方差为1，与地物真实后向散射系数相乘，叠加在图像上。当分辨单元内存在强散射点目标时，幅度分布偏离瑞利分布，通常服从K分布、G0分布等更复杂的统计模型。
2. MiniSAR特有的噪声增强机制
与传统大平台SAR相比，MiniSAR的斑点噪声被显著放大，核心源于四大特有约束：
（1）硬件系统约束导致的低SNR与混合噪声
MiniSAR的天线口径通常仅为几厘米至十几厘米，天线增益远低于传统SAR，同时受限于功耗约束，发射峰值功率通常仅为几瓦至几十瓦，导致回波功率大幅衰减，系统SNR比传统机载SAR低10~20dB。此外，MiniSAR普遍采用低成本、小型化的射频器件，其相位噪声、IQ不平衡、幅相一致性较差，会引入额外的系统误差，加剧回波的相位随机起伏。最终，MiniSAR图像的噪声模型不再是纯乘性相干斑噪声，而是乘性相干斑与加性热噪声、系统误差噪声的混合模型，可表示为：
I(x,y) = R(x,y) · S(x,y) + N(x,y)
其中，I(x,y)为观测图像，R(x,y)为地物真实后向散射系数，S(x,y)为乘性相干斑噪声，N(x,y)为加性热噪声与系统误差噪声。加性噪声的存在会导致传统针对纯乘性噪声的抑制算法性能大幅下降。
（2）平台运动误差导致的散焦与噪声放大
MiniSAR平台（小型无人机、微纳卫星）重量轻、惯导成本受限，普遍采用MEMS惯导，其姿态测量精度仅为几度/小时，远低于传统SAR的0.01度/小时量级，受气流扰动、轨道摄动的影响极大，会产生严重的速度误差、位置误差与姿态误差。这些运动误差会转化为回波的相位误差，若成像处理中的运动补偿精度不足，会导致图像方位向、距离向散焦，分辨单元展宽，相干斑的起伏程度被显著放大，甚至会引入方位模糊、距离模糊，表现为类似斑点的伪影噪声。
（3）工作频段与传播环境的影响
为了实现更高分辨率与更小天线尺寸，MiniSAR普遍采用Ku、Ka甚至W波段的毫米波频段，该频段的大气衰减、降雨衰减远高于传统SAR的X、C波段，进一步降低了回波SNR，加剧了噪声影响。同时，毫米波频段的地物散射特性更复杂，单次散射与多次散射并存，回波的相位随机性更强，相干斑噪声的非平稳特性更显著。
（4）成像处理算法的适配性不足
传统SAR成像算法（RD、CS、Omega-K）是针对大平台、高精度惯导设计的，对MiniSAR的大运动误差适配性较差，运动补偿精度不足，会导致相位误差残留，放大相干斑噪声。同时，为了满足MiniSAR的实时处理需求，通常采用简化的成像算法，省略了部分高精度的相位补偿与误差校正步骤，进一步加剧了图像的噪声与散焦问题。
MiniSAR斑点噪声抑制的核心准则是：在有效平滑噪声的同时，最大化保留图像的边缘、纹理与弱散射目标，保证辐射保真度，同时满足低计算复杂度、适配嵌入式平台实时处理的需求。当前主流的抑制技术可分为四大类：传统空域自适应滤波、变换域滤波、基于统计模型的贝叶斯滤波、面向MiniSAR的深度学习滤波。
1. 传统空域自适应滤波技术
空域滤波直接在图像域进行处理，基于局部窗口的统计特性实现自适应噪声平滑，核心优势是计算复杂度低、易于硬件实现，完美适配MiniSAR的嵌入式低算力平台，是工程化应用最广泛的技术。
（1）基于最小均方误差的自适应滤波
代表算法为Lee滤波、Kuan滤波，二者均基于乘性噪声模型，通过局部窗口的均值与方差，构建最小均方误差（MMSE）估计器，自适应调整滤波权重。在均匀区域，局部方差大，滤波权重高，实现强平滑；在边缘区域，局部方差由地物散射特性变化主导，滤波权重低，保留边缘细节。其中Kuan滤波针对乘性噪声的统计特性做了优化，在低SNR场景下的性能优于Lee滤波。
（2）基于加权模型的自适应滤波
代表算法为Frost滤波，基于指数加权模型，以局部窗口内像素与中心像素的灰度差为权重，对均匀区域实现强平滑，对边缘区域保留细节，其优势是对强散射点目标的保留能力更强，适合MiniSAR图像中人造目标的处理。
（3）边缘保持型空域滤波
代表算法为双边滤波、非局部均值（NLM）滤波。双边滤波同时结合像素的空间距离与灰度相似性构建权重，边缘保持能力显著优于Lee、Frost滤波；NLM滤波利用图像的全局自相似性，寻找与目标块相似的图像块进行加权平均，细节保持能力更强，但计算复杂度较高，需通过快速算法优化后才能适配MiniSAR平台。
2. 变换域滤波技术
变换域滤波的核心思路是将图像变换至稀疏表示域，利用信号与噪声在变换域的分布差异，通过阈值处理抑制噪声分量，再逆变换得到去噪图像，核心优势是多分辨率分析能力，可同时实现噪声平滑与纹理、边缘保留。
（1）小波变换滤波
小波变换具有良好的时频局部化特性与多分辨率分析能力，是SAR去噪最常用的变换域方法。由于相干斑是乘性噪声，首先对图像取对数，将乘性噪声转化为加性噪声，再进行小波分解，对高频细节系数进行软/硬阈值处理，抑制噪声分量，最后通过逆小波变换与指数运算得到去噪图像。针对传统离散小波变换的平移不变性差、易产生伪吉布斯现象的问题，衍生出平稳小波变换（SWT）、双树复小波变换（DT-CWT），在MiniSAR图像去噪中表现出更优的边缘保持能力。
（2）多尺度几何分析滤波
针对小波变换各向同性、对线性边缘与纹理表示稀疏性不足的问题，衍生出曲波变换（Curvelet）、轮廓波变换（Contourlet）等多尺度几何分析方法。这类方法具有各向异性的基函数，可更稀疏地表示图像的边缘、轮廓与纹理信息，在抑制噪声的同时，能更好地保留MiniSAR图像中的人造目标边缘、线性地物等细节，适合用于目标检测场景的预处理。
3. 基于统计模型的贝叶斯滤波技术
这类方法基于相干斑噪声的统计分布特性，构建贝叶斯估计框架，通过最大后验概率（MAP）估计地物真实后向散射系数，核心优势是严格匹配SAR噪声的统计特性，辐射保真度高，适合用于地物参数反演、定量遥感场景。
传统瑞利分布仅能拟合均匀区域的相干斑特性，而MiniSAR图像通常包含均匀区域、异质区域与强散射点目标，G0分布是当前拟合能力最强的通用分布，可适配不同异质性程度的场景。基于G0分布的MAP滤波，结合马尔可夫随机场（MRF）引入图像的空间邻域信息，可自适应区分均匀区域与边缘区域，在平滑噪声的同时，有效保留弱散射目标与纹理细节，是当前统计模型方法中性能最优的方案，但其计算复杂度较高，需通过简化模型与并行优化适配MiniSAR平台。
4. 面向MiniSAR的深度学习滤波技术
深度学习方法凭借强大的特征提取与非线性拟合能力，在噪声抑制与细节保持的平衡上实现了质的突破，是当前MiniSAR去噪领域的研究热点，核心是针对MiniSAR的平台约束与数据特点进行优化。
（1）轻量化端到端CNN模型
针对MiniSAR的嵌入式低算力约束，基于MobileNet、ShuffleNet的轻量化结构，构建适配SAR乘性噪声的CNN模型，代表为SAR-CNN、轻量化DnCNN。模型先对图像取对数将乘性噪声转为加性噪声，通过卷积层学习噪声与干净图像的映射关系，端到端输出去噪图像。通过模型剪枝、量化与算子优化，可将模型部署于FPGA、ARM等嵌入式平台，实现实时处理，是当前MiniSAR工程化应用最具潜力的方案。
（2）小样本与无监督学习方法
针对MiniSAR实测高质量配对数据集匮乏的问题，衍生出迁移学习、少样本学习、无监督/自监督学习方法。通过Sentinel-1、ALOS-2等大型SAR数据集完成模型预训练，再用MiniSAR的少量实测数据微调，解决小样本训练问题；基于CycleGAN、DDPM的无监督方法，无需配对的干净与噪声图像，仅通过两个域的图像即可学习去噪映射，完美适配MiniSAR实测数据不足的场景。
（3）成像-去噪一体化方法
针对MiniSAR运动误差大、散焦与噪声耦合的问题，构建回波域到图像域的端到端网络，将运动补偿、成像处理与噪声抑制一体化完成。该方法直接输入SAR原始回波数据，通过网络同时完成相位误差校正、成像与去噪，避免了成像处理过程中误差与噪声的放大，从根源上提升图像质量，是针对MiniSAR特性的颠覆性技术方案。
5. 主流抑制技术性能对比
技术类型
|
噪声平滑能力
|
细节保持能力
|
辐射保真度
|
计算复杂度
|
MiniSAR适配性
|
空域自适应滤波
|
中等
|
中等
|
良好
|
极低
|
优（工程化首选）
|
变换域滤波
|
良好
|
良好
|
中等
|
中等
|
良（离线处理）
|
统计模型贝叶斯滤波
|
良好
|
良好
|
优
|
高
|
中（需优化）
|
轻量化深度学习
|
优
|
优
|
良好
|
中等（优化后）
|
优（未来主流）
|
成像-去噪一体化深度学习
|
优
|
优
|
优
|
高
|
中（技术储备）
|
MiniSAR去噪效果的评价分为主观视觉评价与客观定量评价，其中客观评价需同时兼顾噪声平滑能力、细节保持能力与辐射保真度三大维度。
1. 核心客观评价指标
（1）等效视数（ENL）
ENL是衡量SAR图像相干斑平滑程度的核心指标，数值越大，噪声平滑效果越好，计算公式为：
ENL = (μ_U)² / σ_U²
其中μ_U为图像均匀区域的灰度均值，σ_U²为均匀区域的灰度方差。
（2）边缘保持指数（EPI）
EPI用于衡量去噪后图像的边缘保留能力，数值越接近1，边缘保持效果越好，计算公式为：
EPI = Σ|I_f(i+1,j) - I_f(i,j)| / Σ|I_o(i+1,j) - I_o(i,j)|
其中I_f为去噪后图像，I_o为原始图像，求和范围为图像的边缘区域。
（3）辐射保真度指标
采用去噪前后均匀区域的均值偏差（MD）与标准差比（SDR）衡量辐射保真度，MD越接近0、SDR越接近1，说明去噪后地物后向散射系数的辐射特性保持越好，计算公式为：
MD = |μ_f - μ_o| / μ_o
SDR = σ_f / σ_o
其中μ_f、σ_f为去噪后均匀区域的均值与标准差，μ_o、σ_o为原始图像对应区域的均值与标准差。
（4）有参考评价指标
当存在干净参考图像时，可采用峰值信噪比（PSNR）与结构相似性（SSIM），PSNR越大、SSIM越接近1，说明去噪效果越好。
2. 主观视觉评价
主观评价需重点关注四个维度：均匀区域的颗粒状噪声是否被有效平滑；边缘、线性地物是否清晰，无模糊与伪影；强散射点目标是否完整保留，无扩散与失真；弱散射目标是否可分辨，无被平滑淹没的情况。
斑点噪声是制约微型合成孔径雷达成像质量与应用效能的核心瓶颈，其本质源于SAR相干成像的固有机理，同时被MiniSAR平台的低SNR、大运动误差、硬件约束与成像处理适配性不足等特有因素显著放大。当前MiniSAR斑点噪声抑制技术已从传统的空域、变换域滤波，发展到统计模型贝叶斯滤波与深度学习智能滤波，其中轻量化空域自适应滤波是当前工程化应用的首选方案，而轻量化深度学习与成像-去噪一体化技术是未来的核心发展方向。
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！
150-110-63408