SAR图像相关模型自适应去斑算法实现

资 源 简 介

基于相干成像原理的合成孔径雷达（SAR）图像中普遍存在严重的相干斑噪声，这种乘性噪声极大地影响了图像的边缘识别与自动分类效果。本项目通过在MATLAB平台下构建基于相关模型的自适应去斑算法，实现对SAR图像噪声的高效抑制。算法的核心逻辑在于首先对待处理SAR图像进行区域统计特征提取，准确计算出反映相干斑强度的关键参数：等效视数（ENL）。在此基础上，用户能够设定最优的滑动滤波窗口大小，用以在噪声平滑力度与空间分辨率的保持之间取得平衡。处理过程中，算法通过局部像素的相关性建模，利用方差、均值等统计矩对每个像

详 情 说 明

SAR图像基于相关模型的去斑算法研究与实现

本项目针对合成孔径雷达（SAR）图像中特有的相干斑（Speckle）噪声，实现了一套基于相关模型的自适应去斑算法。通过对SAR图像局部统计特征的建模，在滤除相干斑噪声的同时，能够最大程度地保留地物的结构特征和像素间的相关性。

功能特性

• 全流程仿真分析：系统涵盖了从原始图像生成、相干斑噪声加噪模拟、自适应滤波处理到性能指标评价的完整流程。
• 自适应权重控制：通过计算局部变异系数，算法能自动识别图像中的同质区与异质区（边缘或点目标），动态调整平滑力度。
• 高精度地物保持：采用基于相关模型的权重计算逻辑，有效避免了传统空间域平滑算法带来的边缘模糊效应。
• 多维度质量评估：不仅支持PSNR（峰值信噪比）和SSIM（结构相似度）等常规评价指标，还引入了SAR图像特有的ENL（等效视数）作为去斑效果的量化指标。

系统要求

• 软件环境：MATLAB 2018b 或更高版本。
• 必备工具箱：

* Image Processing Toolbox（用于图像显示及SSIM计算） * Statistics and Machine Learning Toolbox（用于Gamma分布噪声模拟）

使用方法

1. 打开MATLAB软件。
2. 调整算法主入口程序顶部的参数设置：

* windowSize：滤波滑动窗口的大小，默认为7（即7x7窗口）。 * initialENL：预设的初始等效视数，用于控制模拟噪声的强度。

1. 直接运行主程序。
2. 程序运行完成后，将自动弹出对比图窗口，并在控制台实时打印处理前后的统计指标。

实现逻辑与算法细节

#### 1. 数据模拟与噪声注入 为了验证算法有效性，程序首先构建了一个包含多种灰度阶梯和几何结构的模拟图像。随后，利用Gamma分布生成均值为1的乘性噪声，模拟单视或多视SAR图像的相干斑特性。该步骤遵循公式：$I_{noisy} = I_{original} cdot Speckle$，其中 $Speckle sim Gamma(L, 1/L)$，$L$ 为等效视数。

#### 2. 等效视数（ENL）自适应估计算法 系统实现了基于局部块统计的ENL估计功能：

• 块统计计算：通过预设大小（如16x16）的滑动块遍历全图，计算每个块内的均值（mean）与方差（var）。
• 同质区筛选：根据 $ENL = mean^2 / var$ 计算局部等效视数。为了准确反映图像的噪声水平，算法会自动对全图ENL值进行降序排列，并取前10%最高值的均值作为全局ENL估计值。这一逻辑确保了参数是从图像中最平稳、最均匀的区域（同质区）提取的。

#### 3. 基于相关模型的自适应相关滤波器 这是算法的核心实现部分，基于增强型Lee滤波模型构建：

• 变异系数建模：计算噪声的理论变异系数 $C_u = sqrt{1/ENL}$ 以及局部窗口内的信号变异系数 $C_i = sigma / mu$。
• 相关权重计算：利用公式 $W = (1 - C_u^2 / C_i^2) / (1 + C_u^2)$ 计算自适应权重。当局部变异系数趋近于噪声变异系数时，权重趋于0（执行强平滑）；当局部变异系数远大于噪声（如在边缘处）时，权重趋于1（保留原始值）。
• 线性估计更新：最终像素值通过公式 $R = mu + W(I - mu)$ 进行更新，在均值（低频成分）与残差（高频成分）之间取得最优平衡。

#### 4. 统计评价指标实现

• 峰值信噪比(PSNR)：衡量去斑后图像与原始理想图像之间的误差。
• 结构相似度(SSIM)：综合亮度、对比度和结构三个维度，评估图像恢复后的视觉保真度。
• 等效视数(ENL)增益：通过对比处理前后同质区的ENL值，直观反映相干斑噪声的抑制程度。

#### 5. 结果可视化逻辑 程序最后会生成一个包含四个子图的可视化窗口，分别展示：原始理想参考图、含噪SAR图像、去斑处理后的结果图以及反映图像内部异质性分布的“局部ENL热力图”。通过热力图可以直观观察到算法对不同纹理区域的识别能力。