En raison du mode d'acquisition unique des images de télédétection, leur processus de collecte est facilement perturbé par le bruit, ce qui entraîne une dégradation sévère des informations, et il est difficile d'obtenir dans le monde réel des images propres et bruitées du même scénario. Par conséquent, la détection du bruit auto-supervisée est devenue un domaine de recherche populaire. Pour les images de télédétection à texture complexe, les méthodes de détection du bruit existantes présentent des problèmes de perte de détails et de flou de fond. À cette fin, cet article propose un algorithme de détection du bruit auto-supervisé pour les images de télédétection basé sur le renforcement des caractéristiques et l'apprentissage contrastif, composé de deux parties : une branche de détection du bruit et une branche de contraste. Dans la branche de détection du bruit, un réseau d'auto-encodeur convolutif renforcé a été conçu, avec un module d'extraction de caractéristiques globales et un module d'attention pour obtenir respectivement des caractéristiques de contour superficielles à différentes échelles et des caractéristiques de détail local ; ensuite, un module de renforcement dynamique des caractéristiques est utilisé pour étendre le champ réceptif afin de fusionner plus d'informations structurelles spatiales ; enfin, dans le module de reconstruction d'image, une opération de fusion adaptative dynamique est utilisée pour conserver le flux d'informations des couches profondes et superficielles. Dans la branche de contraste, l'algorithme utilise pleinement l'information portée par les images bruitées grâce à une stratégie d'apprentissage contrastif pour construire une nouvelle perte perceptive contrastive, et combine la perte de reconstruction et la perte de variation totale pour mesurer la douceur et la capacité de maintien des détails de l'image débruitée, réduisant efficacement le flou de fond. Enfin, la méthode proposée a été comparée à d'autres méthodes de détection du bruit sur les ensembles de données NWPU-RESISC45 et UC Merced Land Use. Les résultats montrent que la méthode proposée a amélioré le rapport signal sur bruit maximal moyen du bruit gaussien de 1,47 à 4,34 dB et de 2,06 à 4,95 dB, et la similarité structurelle moyenne de 2,3% à 11,8% et de 2,6% à 11,5%. De plus, la méthode a également obtenu de bons résultats de détection du bruit sur les images de télédétection présentant du bruit de type « speckle », du bruit en bandes, ainsi que du bruit réel.

télédétection;détection du bruit d'image;apprentissage profond;auto-supervision;auto-encodeur;apprentissage contrastif;perte perceptive contrastive;maintien des détails