Devido à forma única de aquisição das imagens de sensoriamento remoto, seu processo de coleta é facilmente afetado por ruídos, levando a uma degradação severa das informações, e no mundo real é difícil obter imagens limpas e com ruído do mesmo cenário. Portanto, a remoção de ruído auto-supervisionada tornou-se uma área de pesquisa popular. Para imagens de sensoriamento remoto com texturas complexas, os métodos existentes de remoção de ruído apresentam problemas de perda de detalhes e desfoque de fundo. Para isso, este artigo propõe um algoritmo de remoção de ruído auto-supervisionado para imagens de sensoriamento remoto baseado no reforço de características e aprendizado contrastivo, composto por dois ramos: ramo de remoção de ruído e ramo de contraste. No ramo de remoção de ruído, inicialmente foi projetada uma rede de autoencoder convolucional reforçada por características, que introduz módulos de extração de características globais e de atenção para obter características de contorno rasas em diferentes escalas e características de detalhes locais; em seguida, utiliza-se um módulo dinâmico de reforço de características para expandir o campo receptivo e fundir mais informações estruturais espaciais; por fim, no módulo de reconstrução de imagens, o fluxo de informações das camadas profundas e rasas é preservado por meio de uma operação dinâmica adaptativa de mesclagem. No ramo de contraste, o algoritmo emprega uma estratégia de aprendizado contrastivo para explorar plenamente as informações contidas nas imagens ruidosas, construindo uma nova perda perceptiva contrastiva e combinando perda de reconstrução e perda de variação total para medir a suavidade e a capacidade de preservação de detalhes da imagem denoizada, reduzindo eficazmente o desfoque de fundo. Finalmente, o método proposto foi comparado com outros métodos de remoção de ruído nos conjuntos de dados NWPU-RESISC45 e UC Merced Land Use. Os resultados mostram que o método proposto aumentou a relação sinal-ruído de pico médio no ruído gaussiano em 1,47–4,34 dB e 2,06–4,95 dB, e a similaridade estrutural média em 2,3%–11,8% e 2,6%–11,5%. Além disso, o método também obteve bons resultados de remoção de ruído em imagens de sensoriamento remoto com ruído sal e pimenta, ruído em faixas e ruído real.

sensoriamento remoto;remoção de ruído de imagem;aprendizado profundo;auto-supervisão;autoencoder;aprendizado contrastivo;perda perceptiva contrastiva;preservação de detalhes