我正在尝试在卫星 SAR 图像中去除斑点噪声。我没有得到任何可以在 SAR 图像中去除斑点噪声的软件包。我已经尝试过 pyradar，但它适用于 python 2.7，我正在使用 Windows 上的 python 3.5 处理 Anaconda。Rsgislib 也可用，但它在 Linux 上。Joseph Meiring 在 github 上也给出了 Lee 过滤器代码，但它无法正常工作。： https ://github.com/reptillicus/LeeFilter
好心，任何人都可以分享斑点过滤器的python脚本或如何在python中进行斑点过滤器设计。
这是一个有趣的小问题。与其尝试为它找到一个库，为什么不从定义中编写它呢？
from scipy.ndimage.filters import uniform_filter
from scipy.ndimage.measurements import variance
def lee_filter(img, size):
img_mean = uniform_filter(img, (size, size))
img_sqr_mean = uniform_filter(img**2, (size, size))
img_variance = img_sqr_mean - img_mean**2
overall_variance = variance(img)
img_weights = img_variance / (img_variance + overall_variance)
img_output = img_mean + img_weights * (img - img_mean)
return img_output
如果您不希望窗口是大小为 x 大小的正方形，只需uniform_filter用其他东西替换（与磁盘的卷积、高斯滤波器等）。任何类型的（加权）平均滤波器都可以，只要它对于计算img_mean和都是相同的img_square_mean。
Lee 过滤器作为过滤器似乎相当过时。它在边缘处表现不佳，因为对于其中有边缘的任何窗口，方差将远高于整体图像方差，因此（未过滤图像相对于过滤图像的权重）正在接近 1。
一个例子：
from pylab import *
import numpy as np
img = np.random.normal(0.5, 0.1, (100,100))
img[:,:50] += 0.25
imshow(img, vmin=0, vmax=1, cmap='gray')
imshow(lee_filter(img, 20), vmin=0, vmax=1, cmap='gray')
如您所见，降噪总体上非常好，但在边缘处要弱得多。
我对 SAR 不熟悉，所以我不知道 Lee 滤波器是否有一些特性使其特别适合 SAR 中的散斑，但您可能想研究现代边缘感知降噪器，如引导滤波器或双边滤波器。
通常，在 2D 图中很难通过肉眼看到噪声过滤器的效果。让我通过例子来证明这一点。假设我们有这张嘈杂的图片：
现在让我将此图像转换为 3d 网格图。然后它看起来像这样。噪点变得非常清晰，但画面左右两侧的深度差异也变得非常明显。
该库findpeaks包含许多过滤器，这些过滤器从各种（旧的 python 2）库中使用并重写为 python 3。应用过滤器非常容易，如下所示。请注意，此示例对于 SAR 图像似乎不太具有代表性，因为没有散斑噪声。在此示例中，均值或中值滤波器似乎表现得非常好。在局部高度很重要的散斑噪声图像中，这种均值/中值滤波器可以去除峰值，从而破坏感兴趣的信号。
通过以下方式安装：
pip install findpeaks
由......运营：
from findpeaks import findpeaks
# Read image
img = cv2.imread('noise.png')
filters = [None, 'lee','lee_enhanced','kuan', 'fastnl','bilateral','frost','median','mean']
for getfilter in filters:
fp = findpeaks(method='topology', scale=False, denoise=getfilter, togray=True, imsize=False, window=15)
fp.fit(img)
fp.plot_mesh(wireframe=False, title=str(getfilter), view=(30,30))
如果您直接想使用去噪滤波器，可以这样做：
import findpeaks
import matplotlib.pyplot as plt
# Read image
img = cv2.imread('noise.png')
# filters parameters
# window size
winsize = 15
# damping factor for frost
k_value1 = 2.0
# damping factor for lee enhanced
k_value2 = 1.0
# coefficient of variation of noise
cu_value = 0.25
# coefficient of variation for lee enhanced of noise
cu_lee_enhanced = 0.523
# max coefficient of variation for lee enhanced
cmax_value = 1.73
# Some pre-processing
# Make grey image
img = findpeaks.stats.togray(img)
# Scale between [0-255]
img = findpeaks.stats.scale(img)
# Denoising
# fastnl
img_fastnl = findpeaks.stats.denoise(img, method='fastnl', window=winsize)
# bilateral
img_bilateral = findpeaks.stats.denoise(img, method='bilateral', window=winsize)
# frost filter
image_frost = findpeaks.frost_filter(img, damping_factor=k_value1, win_size=winsize)
# kuan filter
image_kuan = findpeaks.kuan_filter(img, win_size=winsize, cu=cu_value)
# lee filter
image_lee = findpeaks.lee_filter(img, win_size=winsize, cu=cu_value)
# lee enhanced filter
image_lee_enhanced = findpeaks.lee_enhanced_filter(img, win_size=winsize, k=k_value2, cu=cu_lee_enhanced, cmax=cmax_value)
# mean filter
image_mean = findpeaks.mean_filter(img, win_size=winsize)
# median filter
image_median = findpeaks.median_filter(img, win_size=winsize)
plt.figure(); plt.imshow(img_fastnl, cmap='gray'); plt.title('Fastnl')
plt.figure(); plt.imshow(img_bilateral, cmap='gray'); plt.title('Bilateral')
plt.figure(); plt.imshow(image_frost, cmap='gray'); plt.title('Frost')
plt.figure(); plt.imshow(image_kuan, cmap='gray'); plt.title('Kuan')
plt.figure(); plt.imshow(image_lee, cmap='gray'); plt.title('Lee')
plt.figure(); plt.imshow(image_lee_enhanced, cmap='gray'); plt.title('Lee Enhanced')
plt.figure(); plt.imshow(image_mean, cmap='gray'); plt.title('Mean')
plt.figure(); plt.imshow(image_median, cmap='gray'); plt.title('Median')
如果您想使用该库，可以在此处找到更多示例。