Aufgrund der einzigartigen Methode der Erfassung von Fernerkundungsbildern wird der Erfassungsprozess leicht von Rauschen gestört, was zu einer schweren Degradierung der Informationen führt. In der realen Welt ist es schwierig, saubere und verrauschte Bildpaare für dieselbe Szene zu erhalten. Deshalb ist die eigenständige Entrauschung zu einem beliebten Forschungsbereich geworden. Für Fernerkundungsbilder mit komplexen Texturen weisen die aktuellen Entrauschungsmethoden jedoch Probleme mit Detailverlust und Hintergrundunschärfe auf. Um dieses Problem zu lösen, schlägt dieser Artikel einen Algorithmus zur eigenständigen Entrauschung von Fernerkundungsbildern auf der Grundlage der Merkmalsverbesserung und des Kontrastlernens vor, einschließlich eines Entrauschungszweigs und eines Kontrastzweigs. Im Entrauschungszweig ist zunächst ein Convolutional Autoencoder-Netzwerk zur Merkmalsverbesserung konzipiert. Es führt ein Modul zur globalen Merkmalsextraktion und ein Aufmerksamkeits-Extraktionsmodul ein, um Oberflächenkonturmerkmale in verschiedenen Maßstäben und lokale detaillierte Merkmale entsprechend zu extrahieren. Anschließend wird ein dynamisches Merkmalsverbesserungsmodul verwendet, um das Sichtfeld zu erweitern, um mehr Informationen über die räumliche Struktur zu fusionieren. Schließlich wird im Bildrekonstruktionsmodul eine dynamische adaptive Mischoperation eingesetzt, um den Fluss von tiefen und oberflächlichen Informationen zu erhalten. Im Kontrastzweig nutzt dieser Algorithmus die Informationen in den verrauschten Bildern voll aus, indem eine Kontrastlernstrategie verwendet wird, um neue sensible Verluste und gemeinsame Rekonstruktionsverluste aufzubauen, um die Weichheit des entrauschten Bildes und seine Fähigkeit, Details zu erhalten, zu messen und das Phänomen der Hintergrundunschärfe effektiv zu reduzieren. Insbesondere in den Datensätzen NWPU-RESISC45 und UC Merced Land Use ermöglicht dieser Ansatz im Vergleich zu anderen Entrauschungsmethoden eine Erhöhung des mittleren Signal-Rausch-Verhältnisses von 1,47 bis 4,34 dB und von 2,06 bis 4,95 dB sowie der durchschnittliche Strukturähnlichkeitsindex von 2,3% bis 11,8% und von 2,6% bis 11,5%.

remote sensing;image denoising;deep learning;self-supervised learning;autoencoder;contrastive learning;contrastive perception loss;detail preservation