En raison de la méthode unique d'acquisition des images de télédétection, leur processus de collecte est facilement perturbé par le bruit, ce qui entraîne une dégradation sévère de l'information, et il est difficile d'obtenir dans le monde réel des images propres et bruyantes de la même scène. Par conséquent, le débruitage d'images auto-supervisé est devenu un sujet de recherche populaire. Pour les images de télédétection à textures complexes, les méthodes de débruitage existantes souffrent de pertes de détails et de flou de fond. Pour remédier à cela, cet article propose un algorithme de débruitage d'images de télédétection auto-supervisé basé sur le renforcement des caractéristiques et l'apprentissage contrastif, composé de deux parties : une branche de débruitage et une branche de contraste. Dans la branche de débruitage, un réseau de débruitage autoencodeur convolutif avec renforcement des caractéristiques est d'abord conçu, incorporant un module d'extraction de caractéristiques globales et un module d'extraction d'attention pour obtenir des caractéristiques de contours peu profonde à différentes échelles ainsi que des caractéristiques de détails locales ; ensuite, un module de renforcement dynamique des caractéristiques est utilisé pour étendre le champ réceptif et fusionner davantage d'informations structurelles spatiales ; enfin, dans le module de reconstruction d'image, un mélange adaptatif dynamique est utilisé pour préserver le flux d'informations des couches profondes et superficielles. Dans la branche de contraste, l'algorithme utilise une stratégie d'apprentissage contrastif pour exploiter pleinement l'information contenue dans les images bruyantes, construisant une nouvelle perte perceptive contrastive, et combine cette perte avec la perte de reconstruction et la perte de variation totale pour évaluer la douceur et la capacité de maintien des détails de l'image débruitée, réduisant efficacement le flou de fond. Enfin, la méthode proposée est comparée à d'autres méthodes de débruitage sur les ensembles de données NWPU-RESISC45 et UC Merced Land Use. Les résultats montrent que la méthode améliore le rapport signal sur bruit maximal moyen sur le 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 obtient également de bons résultats de débruitage sur des images de télédétection avec bruit ponctuel, bruit en bandes et bruit réel.

télédétection;débruitage d'image;apprentissage profond;auto-supervision;autoencodeur;apprentissage contrastif;perte perceptive contrastive;conservation des détails