GeoXMind

SAR 斑点是相干成像形成的乘性波动

说明斑点的形成、统计特性、多视处理与滤波权衡，以及平滑为何会损失边缘和小目标。

SAR 斑点是相干成像形成的乘性波动

合成孔径雷达像元包含分辨单元内大量散射体回波的相干叠加。各回波相位不同，即使同类地表物理性质相近，合成后的亮度也会出现颗粒状起伏，这就是斑点。它不是普通相机中的独立加性噪声，也不意味着地表真实存在同尺度纹理。

斑点降低单像元辐射值的稳定性，却同时携带相干成像统计。处理目标通常不是把影像变得尽量平滑，而是在降低随机起伏的同时保留边缘、点目标、细线和类别差异。

相干叠加产生乘性波动

一个分辨单元内的散射体距离略有不同，回波相位在复平面上相加。总幅度可能增强也可能抵消。散射体排列发生很小变化，像元强度就可能明显变化，因此斑点在重复观测中不固定。

充分发展斑点的统计模型建立在许多独立散射体和均匀区域等假设上。城市强散射点、边缘和异质地物不一定满足。直接套用单一分布会把真实结构当成异常。

强度中的波动常与平均后向散射水平相关，所以称为乘性。对数变换可以把乘性关系近似转为加性，便于某些处理，但会改变均值和误差分布，反变换需要考虑偏差。

多视通过平均独立观测降低方差

多视处理把孔径或频谱划分为若干近似独立观测并平均。视数增加时斑点方差下降，等效视数可以描述平滑程度。但分割孔径会牺牲空间分辨率，独立性也未必完全成立。

地理编码和重采样也会产生一定平均，使最终产品的统计不再等同于原始单视数据。比较不同产品前要检查处理级别、分辨率、像元间距和等效视数。

时间平均可利用多日期影像降低波动，但地物变化、土壤湿度和观测几何会同时变化。只有在目标稳定且辐射一致时，时间平均才可作为纯斑点抑制。

局部滤波依赖同质区域假设

均值滤波在窗口内平均，能降低方差，却会模糊边缘和小目标。自适应滤波根据局部均值、方差或变异系数判断区域是否同质，在平坦区强平滑，在边缘区保留更多原值。

窗口太小统计不稳定，太大则混合不同地物。固定窗口无法同时适应大片农田、窄道路和建筑点目标。多尺度与方向性方法可以改善，但参数和计算成本更高。

局部统计模型若把高纹理森林或城市当作斑点，会抹去真实信息。滤波前应按主要地物与任务选择参数，不能只凭视觉干净程度决定。

非局部和学习方法使用更大范围相似性

非局部方法寻找相似斑块进行加权平均，不局限于相邻窗口，能在重复结构中保持边缘。但相似性本身受斑点影响，搜索范围大时计算昂贵，也可能把不同对象错误合并。

深度学习去斑可从数据学习复杂映射，但真实无斑点参考很难获得。用多视平均或模拟噪声作标签，会把参考生成方法的偏差学入模型。跨传感器、极化和地貌迁移前必须重新验证。

模型输出过于平滑时，视觉上更像光学影像，却可能改变雷达定量关系。需要检查辐射保持、散射点和下游分类，而不只计算图像相似度。

滤波位置影响后续处理

在幅度、强度、对数或地理编码产品上滤波，对统计和空间支持的影响不同。极化和干涉处理还依赖复数相位与通道关系，不能把单通道强度滤波方法直接应用到复数协方差数据。

用于变化检测时，两期独立滤波可能产生不同边缘偏移。联合滤波利用时间信息，又可能压制真实变化。流程应根据最终任务决定，而不是规定所有 SAR 产品先执行同一种滤波。

计算后向散射系数和地形校正前后的处理顺序也会影响噪声模型。产品说明需要记录滤波发生在哪个量和哪个网格上。

验证要兼顾统计、结构与任务

同质区可检查均值保持、方差和等效视数。边缘区检查位置、对比度和细线保留，点目标检查峰值和扩散。单一平滑指标无法覆盖这些目标。

没有真实无斑点图时，可使用多日期稳定区、模拟数据和人工标注结构组合评价。模拟验证算法机制，真实数据验证模型失配，两者不能互相替代。

最终还要比较分类、分割、目标检测或参数反演表现。去斑后总体分类提高，某类小目标却消失，仍可能不符合业务需求。验证样区应覆盖不同地表和入射角。

斑点不是所有异常纹理的解释

条带、热噪声、旁瓣、射频干扰和地形效应会产生其他图案。滤波无法修复定标、拼接或几何问题，强行平滑反而掩盖质量缺陷。处理前要检查产品质量层和传感器说明。

水面风场、植被结构和城市布局本身具有纹理。将高频变化统一称为噪声，会删除有价值信息。原始或基础校正产品应保留，去斑结果作为带参数的派生产品发布。

SAR 斑点来自相干成像，不是可以无代价删除的表面颗粒。多视与滤波在方差和空间细节之间交换信息，可信处理必须说明统计假设、参数、顺序和下游影响。

资料依据