Aufgrund der einzigartigen Erfassungsmethode von Fernerkundungsbildern ist deren Aufnahmeprozess leicht durch Rauschen beeinträchtigt, was zu einer erheblichen Informationsverschlechterung führt, und es ist in der realen Welt schwierig, saubere und rauschbehaftete Bilder derselben Szene zu erhalten. Daher ist das selbstüberwachte Bildrauschunterdrückung zu einem beliebten Forschungsbereich geworden. Für texturreiche Fernerkundungsbilder leiden existierende Entschärfungsmethoden unter Detailverlust und Hintergrundunschärfe. Daher schlägt dieser Artikel einen selbstüberwachten Rauschunterdrückungsalgorithmus für Fernerkundungsbilder vor, der auf Merkmalsverstärkung und kontrastivem Lernen basiert und aus einem Rauschunterdrückungszweig und einem Kontrastzweig besteht. Im Rauschunterdrückungszweig wurde zunächst ein konvolutionales Autoencoder-Rauschunterdrückungsnetzwerk mit Merkmalsverstärkung entworfen, in das ein globales Merkmalsextraktionsmodul und ein Aufmerksamkeitsmodul eingeführt wurden, um flache Konturmerkmale und lokale Detailmerkmale in unterschiedlichen Maßstäben zu erfassen; dann wird das dynamische Merkmalsverstärkungsmodul verwendet, um das Rezeptivfeld zu erweitern und mehr räumliche Strukturinformationen zu integrieren; schließlich werden im Bildrekonstruktionsmodul durch dynamische adaptive Mischoperation sowohl tiefe als auch flache Informationsströme erhalten. Im Kontrastzweig nutzt der Algorithmus durch eine kontrastive Lernstrategie die in den Rauschbildern enthaltenen Informationen, um einen neuen kontrastiven Wahrnehmungsverlust zu konstruieren, und kombiniert Rekonstruktionsverlust und Gesamtschwankungsverlust, um die Glätte und die Detailerhaltung der entrauschten Bilder zu messen, wodurch Hintergrundunschärfen effektiv reduziert werden. Abschließend wurde die vorgeschlagene Methode mit anderen Entschärfungsmethoden auf den Datensätzen NWPU-RESISC45 und UC Merced Land Use verglichen. Die Ergebnisse zeigen, dass die Methode das mittlere Spitzen-Signal-Rausch-Verhältnis bei Gaußschem Rauschen um 1,47–4,34 dB und 2,06–4,95 dB verbessert und die mittlere strukturelle Ähnlichkeit um 2,3 %–11,8 % bzw. 2,6 %–11,5 %. Darüber hinaus erzielte die Methode auch gute Rauschunterdrückungsergebnisse bei Fernerkundungsbildern mit Salz-und-Pfeffer-Rauschen, Streifenrauschen und realem Rauschen.

Fernerkundung;Bildrauschunterdrückung;Deep Learning;selbstüberwachtes Lernen;Autoencoder;kontrastives Lernen;kontrastiver Wahrnehmungsverlust;Detailerhaltung