Aufgrund der einzigartigen Erfassungsmethode von Fernerkundungsbildern ist deren Aufnahmeprozess leicht durch Rauschen gestört, was zu einer erheblichen Informationsverschlechterung führt, und im realen Umfeld ist es schwierig, saubere und verrauschte Bilder derselben Szene zu erhalten. Daher ist die selbstüberwachte Bildrauschunterdrückung zu einem beliebten Forschungsbereich geworden. Für texturreiche Fernerkundungsbilder weisen bestehende Entstörungsmethoden Probleme wie Detailverlust und Hintergrundunschärfe auf. Daher wird in diesem Artikel ein selbstüberwachter Fernerkundungsbild-Entstörungsalgorithmus vorgeschlagen, der auf Merkmalserweiterung und kontrastivem Lernen basiert und aus zwei Teilen besteht: einem Entstörungszweig und einem Kontrastzweig. Im Entstörungszweig wurde zunächst ein convolutional Autoencoder mit Merkmalserweiterung entwickelt, wobei ein globales Merkmalsextraktionsmodul und ein Aufmerksamkeitsmodul eingeführt wurden, um oberflächliche Konturmerkmale in verschiedenen Maßstäben und lokale Detailmerkmale zu extrahieren; anschließend wird das rezeptive Feld mithilfe eines dynamischen Merkmalsverstärkungsmoduls erweitert, um mehr räumliche Strukturinformationen zu integrieren; schließlich wird im Bildrekonstruktionsmodul durch eine dynamische adaptive Mischoperation der Informationsfluss aus Tiefen- und Oberflächenschichten erhalten. Im Kontrastzweig nutzt der Algorithmus die Informationen aus verrauschten Bildern mithilfe einer Kontrastlernmethode voll aus, um einen neuen kontrastwahrnehmenden Verlust zu konstruieren, und kombiniert Rekonstruktionsverlust und Gesamtvariationsverlust, um die Glätte und Detailerhaltung der entrauschten Bilder zu bewerten und die Hintergrundunschärfe effektiv zu reduzieren. Abschließend wurde die vorgeschlagene Methode mit anderen Entstörungsmethoden anhand der Datensätze NWPU-RESISC45 und UC Merced Land Use verglichen. Die Ergebnisse zeigen, dass die Methode die durchschnittliche Spitzen-Signal-Rausch-Verhältnis bei gaußschem Rauschen um 1,47–4,34 dB und 2,06–4,95 dB verbessert und die durchschnittliche strukturelle Ähnlichkeit um 2,3 %–11,8 % bzw. 2,6 %–11,5 %. Darüber hinaus erzielte die Methode auch gute Entstörungsergebnisse bei Fernerkundungsbildern mit Speckle-Rauschen, Streifenrauschen und realem Rauschen.

Fernerkundung;Bildentrauschung;Deep Learning;Selbstüberwachung;Autoencoder;Kontrastives Lernen;Kontrastwahrnehmungsverlust;Detailerhaltung