许致火，李恒超

（1.南通大学 交通与土木工程学院，江苏 南通 226019；2.西南交通大学 信息科学与技术学院，四川 成都 611756）

对地观测遥感可获取地球及其他星球地表长时间序列的遥感大数据，对掌握星球的变化规律提供重要的信息依据[1]。与光学卫星遥感相比，合成孔径雷达（synthetic aperture radar，SAR）具有全天时、全天候、不受云雾遮挡影响等不可替代的对地观测优势[2]。如图1（a）和（b）对比所示，光学卫星受到了云层的影响，图像中部分地物信息被遮挡；而SAR 不受云层的影响，可为长期观测地表提供可靠数据。

在SAR 观测地表的关键技术性能指标中，高分辨率是其永恒的追求目标之一。随着SAR 技术不断的发展，国内外SAR 系统已可提供具有“黄金数据”美誉的亚米级高分辨率影像，比如美国桑迪亚国家实验室的机载MiniSAR 可实现0.1 m × 0.1 m 的高分辨率（见图1（c）所示），我国于2017 年投入使用的高分三号星载SAR，可在聚束模式下获得1 m 分辨率的影像[3]。这些高分辨率SAR 图像在防灾减灾、农业遥感、海洋观测、全球碳循环、生物量反演、及环境与气候变化等应用领域中发挥着重要的作用[4-6]。

高分辨率SAR 图像的正确理解与解译是实现其社会经济价值的重要环节。然而，雷达固有的相干斑腐蚀了图像中的目标信息，降低了图像的可解译度，给目标检测、识别与分类等一些列应用带来了干扰[7]。因此，相干斑抑制一直都是SAR 图像处理中至关重要的环节。

SAR 相干斑模型是有效抑制相干斑的理论依据。常规低分辨率SAR 相干斑研究的两个关键假设是雷达工作波长远低于分辨率尺寸且观测区域为均匀的。因此可认为低分辨率SAR 图像分辨单元内的散射体个数足够多，各散射体回波的统计特性相同，进而确保可使用大数定理得到经典的相干斑模型，即完全发展相干斑模型[8]。在SAR 朝着更高分辨率与更多成像模式快速发展过程中，相干斑发生了从完全发展到不完全发展高度复杂的根本变化。与同波长的低分辨率SAR 相比，高分辨率SAR 分辨单元内散射体个数急剧减少，同时高分辨率带来的更为丰富的图像细节使得观测区域更为不均匀，原低分辨率下的模型假设不再成立[9]。相干斑发展的机理及模型是理解与解译SAR 图像的关键，也是SAR 图像处理的核心问题。因此，本文对近十年来国内外高分辨率SAR 相干斑研究进行总结，介绍及定义SAR 图像相对分辨率，分析高分辨率的SAR图像相干斑模型研究进展，对近些年代表性SAR 相干斑抑制方法进行介绍，为提升高分辨率SAR 图像质量的后续研究提供一定的参考。

1 合成孔径雷达图像

SAR 通过脉冲压缩技术获得高的距离向分辨率，在方位向上通过平台的快速运动合成天线孔径实现高的方位向分辨率。另外，SAR 可通过聚束等工作模式，进一步提高方位向分辨率。雷达回波数据通过距离向和方位向的二维聚焦成像处理形成两维合成孔径雷达图像。

1.1 雷达图像分辨率

分辨率越高的SAR 图像携带了更为丰富的细节纹理信息，有助于提高后续SAR 图像定性及定量反演应用性能。图2 为一个不同分辨率SAR 图像对比示例。与10 m 分辨率SAR 图像相比，从2.5 m 分辨率图像中可清晰看到细窄的乡村道路及森林树木的分布。

除视觉主观评价外，不同分辨率图像所携带的信息量可用信息熵来量化。假设SAR 图像的第i 个像素值为xi，其所携带的信息量可用信息熵进行客观量化为

式中：P（xi）为像素值xi的概率；n 为图像的像素点数。具体而言，图2 中10 m 分辨率SAR 图像的信息熵为6.39；而图2.5 m 分辨率的SAR 图像的信息熵为6.74。

假设光速为c，雷达发射信号的带宽为B，SAR在距离向的物理分辨率为

另外在方位向上，假设雷达的天线长度为D，在条带成像工作模式下，SAR 在方位向的物理分辨率为

由以上定义，SAR 图像的分辨单元物理尺寸为

SAR 发射的电磁波到达地表，经与分辨单元内的散射体作用后产生后向散射回波。如图3 所示，分辨单元内的散射体回波在二维复平面随机走动相干累加后得到该像素的强度值。因为各散射体回波在二维复平面里随机走动相干累加，使得每个像素点看似有斑点类型的噪声，这种斑点称为相干斑。

图3 分辨单元内的散射体回波相干累加发展相干斑Fig.3 Coherence integration of scatterer echoes within a resolution cell to develop speckle

由分辨单元内的散射体个数及观测场景的均匀性质，相干斑将出现完全发展和不完全发展的两种情况。完全发展的相干斑机理和模型由Goodman[8]提出，其中的两个关键假设为[8-9]：图像分辨单元的物理尺寸远大于雷达工作波长λ，即可以认为分辨单元内有足够多的散射体，这也意味着该模型是面向低分辨率SAR 的；其次要求观测区域均匀，这意味着各散射体回波信号的幅度与相位具有相同的均值和方差。基于这些假设，基于中心极限定理可推导单视SAR 数据强度服从拉普拉斯分布，多视处理后SAR 数据的强度服从Gamma 分布。在该经典模型下，相干斑可被描述成乘性噪声模型。由上述可知，Goodman 模型得到的完全发展相干斑模型适用于低分辨率SAR 图像。然而，对于相同工作波长的高分辨率SAR，首先随着分辨率的提高，分辨单元内的散射体个数将大大减少；其次高分辨率蕴含着更为丰富的地物纹理信息，即观测区域更趋向于非均匀。因此，Goodman 假设对于高分辨率SAR 不再成立。

由上述内容分析，较高的SAR 图像物理分辨率只是导致相干斑不完全发展的必要条件。以雷达工作波长λ 为参考，定义SAR 图像的相对单元分辨率为

式中fo为雷达的中心工作频率，式（5）最右边第一项为中心频率与信号带宽的比值，第二项为天线波束宽度的倒数。由式（5）可知，大孔径角度超宽带的SAR 图像的相对单元分辨率高，分辨单元内的散射体个数比不常规SAR 的少很多，其相干斑不完全发展的概率则比较大。

1.2 图像分辨单元内散射体个数

分辨单元内的散射个数是决定相干斑不完全发展的重要因素[10]。假设在距离向-方位向构成的平面里的某一点（x，y）的高度分布h（x，y）计算分辨单元内的散射体个数N。高分辨率SAR 分辨单元内的散射体个数为

式中：ρr与ρa分别为距离向和方位向上的分辨率。

2 高分辨率SAR 相干斑的模型

假设成像聚焦后第i 个散射体的复信号可表达为si，则该分辨单元的散射体在二维复平面随机走动后得到的总信号S 可表达为

在Goodman 条件下，当相对分辨率较低散射体个数较多时，采用中心极限定理推导得到SAR 数据幅度A 服从瑞利分布为

式（9）为完全发展条件下的相干斑模型。随着SAR分辨率的不断提高及受到观测区域的非均匀性等影响，SAR 相干斑不完全发展。目前针对不同场景可采用对数正态分布和Weibull 分布等描述不完全发展相干斑。但这些经验的概率分布模型其物理意义不足，因此这里单独介绍与分辨单元散射体个数相关的高分辨率SAR 概率模型推导。

计算信号S 概率分布p（S）的特征函数为

式中E（·）代表求期望。假设每个散射体的复回波信号独立同分布，利用Bessel 函数的定义，则有

式中J0（·）为零阶Bessel 函数。对特征函数进行傅里叶反变换，可得

最后可推导出信号S 的幅度分布为

式中b 是与散射体个数有关的参数。对复信号取模得到分辨单元内的像素幅度值A，经推导化简，得到高分辨率SAR 不完全相干斑模型[11]为

式中v 和a 是模型参数。可以通过高阶距的方法进行模型参数求解。与散射体个数相关的参数有

式中μn为第n 阶矩。

最近Xu等[11]利用中心极限定理，通过特征函数和矩生成函数阐明了散射体个数和不完全发展相干斑之间的关系；针对雷达观测的面散射和体散射过程，通过K 分布、Rayleigh 分布、对数正态分布和Weibull 分布，证明了高分辨率SAR 图像中存在完全和不完全发展的相干斑；使用机载CARABAS-II VHF SAR 数据研究分析了不完全发展的相干斑。研究结果发现当分辨单元内散射体的等效个数少于8时，相干斑不完全发展。如图4 所示，当分辨单元内散射体个数达到8 时，SAR 数据模型与完全发展的数据模型的Kolmogorov-Smirnov（KS）距离开始小于0.01。这间接证明了分辨单元内的散射体个数为8是SAR 数据模型从不完全发展向完全发展的临界点。

图4 SAR 数据模型在不同散射体个数条件下与完全发展模型的KS 距离[11]Fig.4 KS distances for SAR data models with different numbers of scatterers versus fully developed model[11]

此外，SAR 雷达系统冲击响应函数的旁瓣对高分辨率SAR 相干斑模型也有一定的影响。Xu等[12]分析了邻近强散射体的旁瓣对相干斑噪声的影响规律；分析了旁瓣对SAR 干涉测量产生的相位误差。为了更好分析不同旁瓣水平对SAR 图像质量的影响，在保持相同的成像分辨率条件约束下，基于生物仿生启发算法优化设计了一种新的谱权重系数以提高谱加权的性能，进一步降低SAR 旁瓣。最后，进行了大量的旁瓣抑制对相干斑噪声影响的实验，研究结果发现不同的旁瓣水平会改变相干斑噪声及其概率分布模型。

以上研究对象为单通道SAR 数据，SAR 还采用极化多通道数据采集工作模式。SAR 交替发射水平与垂直极化波可接收到同极化和交叉极化的目标回波，进而得到Svv、Svh与Shh的极化通道数据。把极化通道写成向量形式，则在分辨单元内散射体个数足够多的条件下，均匀的观测区域的数据满足复高斯分布

式中：协方差矩阵C=E（ss*）；E 代表求期望；表示求矩阵的行列式；*带把为求复共轭转置。相干斑在不完全发展条件下，极化SAR 相干斑模型描述复杂，目前尚未有相关研究报道。

3 高分辨率SAR 相干斑抑制研究进展

3.1 经典的相干斑抑制方法

SAR 相干斑抑制是一个经典但又是一直发展的新问题，已有大量的研究方法被提出。20 世纪80年代诞生了一系列经典的SAR 相干斑抑制方法。多视处理方法是一种降低相干斑的有效方法。在距离和多普勒成像聚焦压缩最后阶段，SAR图像在方位频域中进行多视处理。为了便于操作，目前多视处理方法通常是在单视图像中取相邻点的强度或幅度值相累加得到多视图像。由于多视处理方法会带来分辨率的下降，因此基于图像后处理的方法被先后提出。在图像后处理范畴里，早期的相干斑滤波为空域估计方法，是一种局部滤波方法。空域滤波依靠一个固定的窗口遍历整幅图像，存在有线性和非线性之分。均值和中值滤波是非线性滤波，Lee 滤波和Frost，Kuan 滤波器为该时期的线性滤波方法的代表。这一时期的滤波器主要基于最小均方误差（minimum mean square error，MMSE）准则进行设计线性估计器，比如经典Lee 滤波、Frost 滤波及Kuan 滤波[7]。随后，发展到了基于最大后验概率（maximum a posteriori，MAP）估计，把雷达图像散射体的先验概率看成Gamma 分布，得到Gamma-MAP 滤波方法MAP[13]。MAP 方法是经典的贝叶斯方法，由贝叶斯公式后验概率分布P（RA）可表示为似然函数P（A R）和先验概率P（R）的乘积，即P（RA）∝P（AR）·P（R）。为提高MAP 滤波性能，针对不同的场景，通过不同的似然函数及先验概率模型可设计不同的MAP 方法，比如Nakagami 分布、对数正态分布，韦布分布、Fisher、正则化Gamma 分布（generalized Gamma distribution，GΓD），正则化高斯瑞利分布（generalized Gaussian Rayleigh，GGR）等[14]。随着小波等变换方法的应用研究兴起，通过把SAR图像投影到某一变换域里可更好地区分噪声和图像，因此许多基于变换域的方法被提出。比如，Argenti等[15]及许彬等[16]提出了基于小波域滤波方法，取得了良好的相干斑滤波性能；基于一种非线性的短时Beltrami 变换，Amao-Oliva等[17]提出了一种极化SAR 多通道相干斑抑制方法；Ren等[18]在图像纹理域及极化域中，利用球不变随机向量对极化SAR 相干斑进行抑制。

3.2 基于非局部均值的相干斑抑制方法

SAR 图像相干斑滤波难点在于有效滤除相干斑的同时，要尽可能地保持图像的纹理细节信息。近年来，以图像块间的相似度测量及变换域中对图像块滤波分析的非局部均值（non-local means，NLM）[19-27]滤波器因优良的纹理结构保持性能引起了图像滤波界的持续关注，产生了许多面向SAR 相干斑抑制的NLM 滤波器。NLM 滤波核心思想是把图像利用小块图像之间的相似性计算当前块图像与整幅图像所有块的加权值，然后当前位置图像块的值根据这些权值与相应的块相乘累加得到。Deledalle等[20]提出了基于全面发展相干斑概率模型相似度测量的NLM 滤波器，即著名的PPB 方法。在PPB 方法的基础上，Parrilli等[21]提出了著名的SAR-BM3D 算法。为了降低SAR-BM3D 的运算复杂度，Cozzolino等[22]提出了FANS 滤波。在NLM 块状匹配与三维组合滤波中，Aranda等[23]在图像的集群区域处理了相干斑。Yan等[25]在NLM 滤波器中引入了随机走动图像相似块搜索方法，可有效抑制SAR 相干斑并降低运算量。行晓黎等[26]在NLM 滤波器中利用K分布度量异质图像块的相似性。高分辨率SAR 相干斑抑制研究方面，Xu等[27]提出了一种基于PCA 的非局部均值SAR 相干斑滤波方法。Nie等[28]在非局部均值变分滤波模型中采用G0分布描述非均匀区域场景，Liu等[29]在高分辨率SAR 图像滤波中引入几何结构模块，均取得了较好的滤波效果。Ma等[30]基于空间-频率信息联合协方差矩阵，提出了一种适用于极化SAR 数据相干斑抑制的NLM 方法。

3.3 基于先验模型的相干斑抑制方法

目前的研究表明SAR 图像先验信息起着关键作用，但因为雷达观测地表散射的物理过程复杂，使得无噪声的真实后向散射系数图像难以获得，因此许多近似先验的方法被提出。这些方法大致可归纳为基于概率分布先验模型与基于神经网络先验模型的相干斑抑制方法。

3.3.1 基于概率分布先验模型的相干斑抑制方法

目前用于描述SAR 的先验模型有广义Gamma分布、变分算子、各向异性扩散模型、稀疏与冗余理论，马尔科夫随机场理论等[31-41]。Gamma-MAP 滤波中利用的Gamma 分布描述数据的先验分布进行近似SAR 图像的先验[13]。因马尔科夫随机场能有效描述图像内部结构及其相互影响过程，Xu等[33]提出了一种高阶马尔科夫随机场模型学习表达SAR图像先验。以上这些先验模型，在SAR 图像相干斑滤波应用中取得了较好的纹理保持效果，并在此基础上针对高分辨率SAR 图像所呈现出的非平稳相干斑，提出了一种不完全发展的非平稳相干斑滤波方法[36]，具有较好的滤波性能。Lu等[37]采用了高斯混合模型作为SAR 滤波的先验知识。何碧容等[38]提出了稀疏结构符合高斯比例混合模型的SAR 图像滤波算法。变分的思想是把图像看成平滑可导的，Feng等[39]利用高阶变分模型进行了相干斑抑制的研究。各向异性扩散模型在对图像求偏微分的基础上，进一步对图像的边缘进行了自适应的表达，有利于描述图像的细节纹理先验。Ma等[40]提出了一种基于自适应的各向异性扩散模型的SAR 相干斑抑制方法，取得了良好的纹理保持性能。在稀疏方法上，清华大学Xu[41]对极化SAR 图像按稀疏性进行图像分块排序，Liu等[42]及刘柏森等[43]利用SAR 图像的稀疏表示，在相干斑抑制中取得了良好的性能。

3.3.2 基于神经网络先验模型的相干斑抑制方法

伴随着神经网络在计算机视觉处理任务中的广泛应用[44]，近年来国内外学者把神经网络模型作为图像先验引入到了相干斑抑制处理中[45-55]。作为监督的机器学习方法，神经网络模型需要大量的无噪声图像数据集用来训练模型参数[46]。由于SAR 相参处理的特性，真实无相干斑噪声的图像难以获取。许多不同的图像标注方法被提出，主要有利用自然图像集-伯克利分割数据（berkeley segmentation data，BSD）[47-49]、利用光学卫星或者航拍高分辨率影像[50]、利用经过高多视处理的SAR 图像及利用长时间序列累加平均的方法形成无噪参考图像[51]，再对这些无噪图像按照完全发展相干斑模型加入乘性噪声进而形成模型数据训练集。具体地，Xiong等[52]提出了SLRCP-Net 的深度网络。为了平衡相干斑滤波抑制和保存纹理之间的关系，Liu等[53]提出了一种用于SAR 图像去噪的多尺度残差密集双注意网络，Tan等[54]提出了一种新型的端到端自监督SAR相干斑抑制模型。另外，Tucker等[55]基于矩阵对数的可逆变换提出了一个残差学习策略，把神经网络引入到多通道极化SAR 数据的相干斑抑制。由于SAR 对地观测场景的多样复杂性，神经网络模型需要大量样本训练才能避免过拟合的问题。另外，神经网络中每层中的滤波器长度不宜太大以提高效率并克服模型过拟合。因此文献[47-48]虽然都利用了卷积神经网络和相同的BSD 数据进行训练模型，但不同工作会得到不同的相干斑抑制结果。如图5 可见，文献[47]的方法在SAR 图像抑制过程中嵌入了一些纹理，这也说明了目前的基于神经网络的相干斑抑制方法是一种有偏估计，这不利于后续的定量应用。

图5 两种神经网络方法对相干斑抑制对比[51]Fig.5 Comparison of speckle suppression with two neural network-based approaches[51]

3.4 相干斑抑制方法的性能评估

相干斑抑制从主观和客观两方面进行性能评估。主观视觉评估主要观察均匀区域的平滑度及图像边缘细节纹理的保持程度。在客观评价上，对主观评价所关注的这两方面进行数值计算量化。SAR图像的相干斑为一种乘性噪声，在模拟仿真实验中，可对一个无噪的图像利用完全发展相干斑模型产生模拟SAR 相干斑图像。因此，在模拟实验中具有无噪参考图像，对相干斑抑制性能的评估可以利用峰值信噪比（peak signal to noise ratio，PSNR）整体衡量相干斑的抑制性能，利用结构相似性指数测量（structural similarity index measure，SSIM）及边缘保护指数对相干斑抑制后图像的细节保持能力进行评估。在真实SAR 数据相干斑抑制中，对于均匀区域可利用等效视数（equivalent number of looks，ENL）[12]，来计算相干斑抑制的性能。具体地，当PSNR、ENL 数值高的同时，SSIM 及边缘保护指数数值大，表明所用的方法既能有效抑制相干斑并同时保持图像的细节纹理信息。

图6 和图7 分别给出了当前具有代表性的相干斑抑制方法对模拟相干斑和真实SAR 数据相干斑抑制的结果。由抑制前后对比及客观量化指标可知，当前基于非局部均值的相干斑抑制方法及基于先验模型的相干斑抑制方法均能产生优良的相干斑抑制性能。

图6 不同方法对模拟相干斑抑制对比Fig.6 Comparison of simulated speckle suppression with different approaches

图7 不同方法对真实SAR 数据相干斑抑制对比Fig.7 Comparison of speckle suppression on SAR data with different approaches

在多通道极化SAR 相干斑抑制性能评估方面，模拟多通道数据相干实验中除了以上评价指标，还有通道之间的极化信息保持指标。多通道之间含有极化信息可利用相参矩阵T 来表达，其表达式为

对相参矩阵进行奇异值分解可得到3 个特征值λ1、λ2、λ3，以及3 个相应的特征向量。特征向量里含有极化散射类型的信息α 角。极化信息特征定义为：由3 个特征值可定义一个平均熵H 及各向异性A，由特征值及特征向量可定义得到平均角。

在真实极化SAR 多通道相干斑抑制的性能评估中，由于没有真实参考值，一般通过主观评价以及计算感兴趣区域的均值和方差进行对比。图8 为利用Amao-Oliva等[17]提出的方法对极化SAR 相干斑抑制的结果。从视觉效果上，该方法有效地保持了纹理和极化信息，对均匀区域的相干斑也进行了有效的抑制。

图8 极化SAR 多通道数据相干斑抑制（多通道数据采用Pauli 分解伪彩显示）[17]Fig.8 polarimetric SAR multi-channel data coherence speckle suppression（using the Pauli RGB color coding）[17]

3.5 不完全发展相干斑抑制对比实验

面向完全发展的相干斑抑制方法，在常规SAR雷达图像滤波上可取得优良的滤波效果，但在不完全发展的相干斑抑制中会出现许多的问题。图9 给出了在相干斑完全发展的假设下设计的FANS 滤波方法对高分辨率SAR 图像失效的一些例子。对比滤波前后图像可看出算法在场景一中性能失效，甚至在场景二中产生了虚假信息（见图中的虚线框）。精确的相干斑模型是有效滤除相干斑的基础，故而这些滤波器在常规SAR 图像中能取得良好的性能。但由于Goodman 模型假设在高分辨率SAR 中不再成立，现有的滤波方法在高分辨率SAR 中无法获得其原有的性能，甚至产生其他的虚假信息。在高分辨率图像中，对于均匀的地物目标，比如农田、大面积的森林、草原、沙漠等可用完全发展相干斑假设模型进行平滑滤波，而对于建筑、油罐码头、海上船只、以及金属目标等则需要发展不完全发展相干斑的抑制方法。

图9 FANS 算法对高分辨率SAR 图像滤波失效的例子Fig.9 Failure to filter high-resolution SAR images using the FANS

Xu等[36]提出了一种混合对数正态模型描述SAR图像的不完全发展相干斑，利用高阶马尔科夫模型表达SAR 图像先验，提出了一种不完全发展相干斑的抑制方法（LogNMM-FOE）。图10 增加了一种基于完全发展相干斑假设的相干斑抑制对比方法Naka-FOE，进一步对图9 的场景二进行了滤波对比实验。SAR 图像信息提取要求保留强点目标和人造结构的特征，这对于图像解释和其他应用是非常有益的。有趣的是，对于图像细节中，边缘在高强度的区域被加宽，导致经典的FANS 和Naka-FOE 方法都出现了模糊现象。图10（b）中虚线矩形的区域出现伪影，相比之下，LogNMM-FOE 在这些非均匀区域，较好地保留了边缘，分离得到的相干斑也有别于完全发展的相干斑。进一步对图10（a）实线矩形框标注对均匀区域计算不同方法结果的等效视数，具体地单视原图为1.33，FANS 为15.06，Naka-FoE 为1.85，LogNMM-FoE 为26.20。由这些对比结果间接证明了高分辨率SAR 相干斑不完全发展假设的正确性。该对比实验数据和可重复再现实验结果的代码下载地址为https://github.com/Z-H-XU/Nonstationary-Speckle-Reduction。

图10 不完全发展相干斑抑制对比实验[36]Fig.10 Results of non-fully developed speckle reduction[36]

4 高分辨率SAR 相干斑研究趋势

SAR 图像的高分辨率带来新的挑战和机遇。常规SAR 的完全发展相干斑模型和抑制方法已趋于成熟，但随着SAR 图像相对分辨率的不断提高，相干斑的研究还存在一些问题。特别是，波长分辨率SAR 图像的相干斑还需进一步的理论研究，比如当分辨单元内的等效散射体个数为2～8 时，相干斑物理模型如何建立，是否需要抑制以及如何抑制？这些基础问题仍然没有解决。

因此，高分辨率SAR 图像的相干斑物理模型将是未来研究的重要方向之一。随着SAR 向较高的相对分辨率发展，基于不完全发展相干斑物理模型的相干斑抑制研究也是一个重要的发展趋势。相干斑抑制根本目的是对雷达目标RCS 的估计。目前以神经网络为代表的抑制方法虽然能有效抑制相干斑，但对雷达目标RCS 的估计是存在较大偏差的。这些方法虽然对后续的SAR 图像目标分割等定性应用有所贡献，但对于SAR 图像的定量测量应用存在较大的误差，因此建议未来的基于神经网络的相干斑抑制方法需要考虑保持地物的辐射信息。另外，不同场景下的具有物理意义的SAR 相干斑模型及其抑制方法仍然值得深入探索。倘若建立了不同场景下高分辨率SAR 相干斑的物理模型，相干斑就可作为SAR 目标信息的另一种表达，有助于目标的定量识别分类，那么相干斑就可作为有用信息而不需要对其抑制处理。另外，基于不完全发展相干斑假设下训练神经网络进行相干斑抑制也将是一项值得探索的工作。具体可在神经网络模型训练数据集设计中采用不完全发展的相干斑模型生成有噪图像，进而提出相应的相干斑抑制方法。

随着高分辨率SAR 长期对地观测获取了长时间序列的数据，定量应用驱动的时间序列SAR 相干斑抑制也是一个重要的研究趋势。比如，精准农业SAR 遥感可用于农作物病虫害、生长状况以及产量预测提供长时间序列的定量分析服务产品。为提高产品的分析精度，相应的相干斑抑制后需较好地保持研究区域的辐射信息。图11 为基于物理模型的方法对英国北部农场区域的时间序列SAR 数据相干斑抑制结果示例，由图可知相干斑抑制后目标的辐射信息保持较好。现有研究表明不同的相干斑抑制水平会影响定量监测结果[6]。随着高分辨率SAR 海量数据不断获取及SAR 定量测量需求的扩展，长时间序列数据相干斑抑制还需进一步深入研究。

图11 对农田区域时间序列数据相干斑抑制（多通道数据采用不同年份伪彩显示）Fig.11 Speckle suppression SAR time series data on farm land（using pseudocolor coding）

5 结语

随着国内外SAR 技术的不断发展，SAR 朝着更高图像的分辨率的方向发展。尤其是我国高分辨率对地观测重大专项实施完善了我国空间大数据获取基础设施，我国已进入SAR 高分观测的新阶段。本文在这一背景下对SAR 超高分辨率发展过程中相干斑发生的变化进行了总结研究，分析了具有物理意义的相干斑模型，给出了相干斑不完全发展与完全发展临界的分辨单元内等效散射体个数，总结了国内外高分辨率SAR 相干斑抑制的研究进展，展望了相干斑研究的未来趋势。本文的研究对抑制不完全发展的相干斑及提升高分辨率SAR 图像质量具有一定的学术价值，为推动高分辨率SAR 影像中目标信息的正确检测、识别与分类后续研究提供参考，以充分挖掘高分辨率SAR“黄金数据”的社会经济价值。