圖像中點目標的檢測總會遇到圖像信噪比低、目標所占像素點少、背景灰度級別起伏大等困難。傳統的點目標檢測算法有中值濾波檢測方法、自適應背景預測檢測方法等，它們對背景的灰度變化有很大的依賴性。本文針對合成孔徑雷達成像中的斑點噪聲提出了一種具有自適應性的圖像處理算法。
　　合成孔徑雷達獲得的圖像是地物對雷達波散射特性的反映，發射的相干信號之間的干涉作用會使圖像產生相干斑點噪聲。目前改善和濾除斑點噪聲影響的技術基本可分為兩類：一類是成像前的多視平滑預處理，此方法最大缺陷是會損害像元空間分辨率；另一類是成像后的去斑點噪聲濾波技術。近年來多致力于斑點噪聲濾波技術，并提出了相關的概率分布模型及濾波處理算法^[1]。
1 小閾值波降噪的機理
1.1 小波分析的基本思想
　　小波分析的基本思想同傅里葉分析是一致的，都是用一族函數來表示某信號或函數。小波變換是把某個被稱為基本小波(也叫母小波mother wavelet)的函數?鬃(t)做位移τ后，再在不同尺度a下與待分析的信號x(t)做內積^[2]：
　　
1.2 小波降噪的基本原理
　　常用的圖像降噪方法是實現簡單而效果較好的小波閾值消噪" title="消噪">消噪。基本思想是對小波分解后的各層系數模大于和小于某閾值的系數分別進行處理，然后利用處理后的小波系數重構出消噪后的圖像。常用的閾值函數有硬閾值函數和軟閾值函數。閾值的選取是圖像處理中的關鍵因素。若閾值太小，消噪后的圖像仍然存在噪聲；若閾值太大，重要圖像特征又會被濾掉，引起偏差。Donoho等提出一種典型閾值選取方法，從理論上給出并證明閾值與噪聲的方差成正比，其大小為，式中N_j 為在第j層子帶小波系數的個數，σ_j為噪聲的方差。
1.3 小波降噪的步驟和方法
　　一般來說，小波分析降噪有如下三個步驟^[2]：
　　(1)小波分解。選擇合適的小波并確定分解層次，然后進行分解計算。
　　(2)高頻系數閾值量化。對各個分解尺度下的高頻系數分別選擇一個閾值進行軟閾值量化處理。
　　(3)重構圖像信號。根據分解后的低頻系數和經過閾值量化的高頻系數重構圖像信號。
　　閾值處理一般有默認閾值消噪處理、給定閾值消噪處理和強制消噪處理三種方法。
2 斑點圖像及小波系數特性
　　一般的圖像噪聲模型為乘性噪聲模型^[3]：

　　對多幅斑點圖像小波變換的系數進行分析總結，發現斑點圖像取對數后小波系數的直方圖類似于高斯模型的主峰圖樣，圖1為斑點圖像小波系數直方圖。高斯混合模型可以很好地描述這種小波系數分布，其表達式如下：

?

3 多尺度小波變換算法原理
　　本文提出的多尺度小波變換算法是首先對原始圖像取對數；然后對對數圖像進行均值歸一化處理；再進行小波變換，用最大期望值(EM)算法估計出高斯混合模型分布的小波系數；接著用貝葉斯(Bays)估計求出小波系數；最后進行小波逆變換，均值補償，取指數，恢復原圖像^[5]。多尺度小波變換高斯混合模型濾波原理如圖2所示。

3.1 最大期望值算法參數估計
　　由圖1可知小波系數的直方圖類似于高斯模型的主峰圖樣，本文用5個高斯函數來模擬小波系數的分布，k=5，θ={a₁，a₂，a₃，a₄，a₅，；-0.2，-0.1，0，0.1，0.2；σ₁，σ₂，σ₃，σ₄，σ₅}。通過這5個參數得到混合高斯模型的分布，迭代計算使期望值趨向極大化，從而逐步逼近各密度分布的最大似然函數的參數集。EM算法的步驟為：E-step根據期望值或前一次的迭代值來計算似然函數的期望；M-step最大化似然函數來獲得新的參數值。不斷重復上述兩步，當第n步

　　其中，p_i為第i個高斯分量的概率密度函數；μi為第i個高斯分量的均值；σ_i為第i個高斯分量的方差；ai為第i個高斯分量的加權值^[6]。
3.2 Bays估計恢復圖像
　　由于小波域噪聲系數為加性模型，根據Bays估計，X的估計值為^[6]：
　　
　　式中，P_N為噪聲小波域的概率密度函數，P_X為圖像小波域的先驗概率密度函數。根據最小均方誤差估計，X的估計值為：
　　
4 多尺度變換仿真試驗
4.1 信號多尺度消噪仿真
　　采用本文的算法分別對一維和二維圖像進行處理，體現該算法的優越性。

　　首先產生一個長度為2⁸點，包含高斯噪聲低頻信號，假設噪聲標準差為5，信號多尺度消噪仿真如圖3所示。其中軟閾值消噪是利用‘sym4’小波對含噪信號進行分解，在多尺度分解的第4層上利用軟閾值消噪得到信號。

　　一維信號多尺度消噪及誤差分析仿真如圖4所示。圖中一維信號為leleccum。從圖4(c)可知消噪信號與原始信號非常接近，誤差值err=1.6717E-9，在允許的范圍內。
4.2 圖像多尺度消噪仿真
　　二維圖像多尺度消噪及誤差分析仿真如圖5所示，其中圖5(d)表示原始圖像與單尺度閾值后的圖像灰度值之差，平均誤差為3.6671E-11。圖5(e)為原始圖像與本文算法處理后圖像灰度值之差，平均誤差為1.5556E-11。

4.3 多尺度變換的性能評估
　　為了在濾波的同時保留圖像的邊緣信息，將變換域中的圖像分為三部分：均勻區、紋理區和強烈非均勻區。針對不同的區域采用不同的處理方法調整小波系數，使其具有自適應能力。對于均勻區，使小波系數為0；對于紋理區，采用本文的多尺度算法估計小波系數；強烈非均勻區小波系數保持原值。
　　本文采用平滑指數和邊緣保持指數兩個指標對濾波效果進行評價。平滑指數為圖像均值和標準差的比值，比值越高，說明平滑能力越強。邊緣保持指數(ESI)為：
　　
　　(3)式中，分子為濾波后圖像邊緣交接處相鄰像元的灰度值之差(DN_R1-DN_R2)的求和，分母則為原始圖像的該值。ESI值越高，邊緣保值能力越好。濾波算法性能評估如表1所示。從表1中可以清楚地看到多尺度小波變換在圖像處理和紅外小目標識別中有很大的優勢^[7]。
4.4 多尺度變換方法延拓
　　圖像處理的一個重要分支就是圖像消噪。消噪的根本宗旨就是濾除無用信息，保留并強化有用信息，尤其是邊緣信息。經過試驗仿真及性能評估，可以看出本文提出的多尺度小波變換算法是一種理想可行的消噪方法。本文重點介紹了斑點圖像的消噪算法。本算法稍加修改也可以應用于其他圖像處理中，而且是一種效果甚佳的處理方法。