对一个均匀区域比如一片草被地区，在没有斑点噪声影响的情况下，影像上的像素值往往会表现为暗淡的色调（如图2-2A）而另外的像素值则表现的比平均值暗（如图2-2B），综上原因，SAR图像目标往往表现出了斑点噪声的效果。

图2-2 SAR图像斑点噪声示意图

2。4空间域滤波

空间域滤波包括均值类滤波，中值类滤波和统计类滤波，其中中值类和均值类滤波都是属传统滤波。空间域滤波的特点是不考虑任何斑点噪声模型同时也不考虑斑点噪声的统计特性从而直接对图像进行处理。这类滤波算法操作起来比较简单，计算方便，均匀区域的噪声去除效果相对比较好，但是缺点也很明显那就是滤波效果不是很理想，细节不能很好地保持住，图像的边缘会变的比较模糊，点目标的损失会比较大 [18]。事实上，实际应用中中值类和均值类滤波算法还是比较少的，那是因为它们两者不是很适合噪声的乘性特点。

2。4。1均值类滤波文献综述

均值滤波也可以称之为线性滤波。均值滤波主要采用的方法为邻域平均法[19]。在实际操作中比如对某一待处理的像素点(x,y)，一般会先选定一个模板，先要求出这个模板中所有像素的像素值的均值，然后再把该均值赋予该像素点(x,y)，可以把它当成是处理后的图像在这个点上的灰度值，即g(x,y)，公式如下：

公式中的M表示该模板中所有像素总数（包含待处理的像素在内）。

均值类滤波将所有像素点的灰度值都默认为以该点为中心的邻域内的所有像素点的灰度值的平均值，实现像素的平滑，达到图像去噪的最终目的。假设输入图像的信号为f(x,y),去噪后的输出图像即为g(x,y),则

通过上式能达到消除信号噪声的目的，但是对其中的每一个灰度值来说，都需按照式(2。6)求取以该点的像素值，对于长度为(2n+1)的信号来说，需要进行(2n+1)次加法、一次乘法、一次除法。因此，均值计算浪费了均值滤波处理的大量时间。 

 2。4。2中值类滤波

中值类滤波技术与均值类滤波技术相比它是属于一种非线性平滑滤波技术。将数字图像中的一点的值用该点的相邻的各点的中值来代替就是中值类滤波的主要原理[20]。 

自适应中值滤波器的滤波原理和常规的中值滤波器是一样的，不同的地方存在于滤波过程中，自适应滤波器往往会根据一定的条件改变(即增加)滤波窗的大小，同时假如判断出滤波窗中心的像素是噪声时，该值就用中值来代替，要不然不改变其当前的像素值。这样用滤波器的输出来替代目前滤波窗中心的坐标的值[21]。自适应中值滤波器能够处理噪声概率较大的脉冲噪声，同时也能够更好地保护住图像细节，这也是常规中值滤波器所无法做到的。中值滤波在数字信号的处理和数字图像的处理中都是应用相对比较普遍的方法[22]。

2。4。3统计类滤波

(1)自适应滤波原理来,自,优.尔:论;文*网www.youerw.com +QQ752018766-

自适应滤波器原理如图2-3所示： 

图2-3 自适应滤波原理图

图中x(j)， y(j)分别表示j时刻的输入和输出信号值，d(j)表示j时刻的参考信号值，其中误差信号e(j)=d(j)-y(j)。

(2)Sigma滤波

Sigma滤波算法是建立在图像的乘性噪声上的。首先要知道滤波中心像元 的平均值，可以计算滤波窗口中各像元灰度的平均值 来代替，同样，滤波中心像元点 的标准差可以用窗口内标准差 代替，公式如下：

Sigma滤波器的算法表达式如下：