Из-за уникального способа получения изображений дистанционного зондирования процесс их сбора легко подвергается шумовым помехам, что приводит к серьезной деградации информации, и в реальном мире трудно получить чистые и зашумленные изображения одной и той же сцены. Поэтому самоконтролируемое удаление шума из изображений стало популярным направлением исследования. Для текстурно сложных изображений дистанционного зондирования существующие методы удаления шума страдают потерей деталей и размытием фона. В связи с этим в данной работе предлагается алгоритм самоконтролируемого удаления шума на основе усиления признаков и контрастного обучения, состоящий из двух ветвей: ветви удаления шума и ветви контраста. В ветви удаления шума сначала спроектирована сверточная автоэнкодер-сеть с усилением признаков, введены модули глобального извлечения признаков и внимания для получения неглубоких контурных признаков на разных масштабах и локальных детальных признаков; затем с помощью модуля динамического усиления признаков расширяется рецептивное поле для интеграции большего количества пространственной информации; наконец, в модуле восстановления изображения с помощью динамической адаптивной операции сохраняется поток информации глубокого и мелкого уровней. В ветви контраста алгоритм с помощью стратегии контрастного обучения эффективно использует информацию, содержащуюся в зашумленных изображениях, для построения нового контрастно-воспринимаемого функционала потерь и объединяет потери восстановления и общую вариацию для оценки гладкости и сохранения деталей в изображениях без шума, эффективно уменьшая размытие фона. В конце сравнение предложенного метода с другими методами удаления шума проведено на наборах данных NWPU-RESISC45 и UC Merced Land Use. Результаты показывают, что предложенный метод улучшил средний пик-сигнал-шум для гауссовского шума на 1.47—4.34 дБ и 2.06—4.95 дБ, а средний структурный индекс сходства увеличился на 2.3%—11.8% и 2.6%—11.5%. Кроме того, метод показал хорошие результаты удаления шума на изображениях дистанционного зондирования с шумом типа спекл, полосовым шумом и реальным шумом.

дистанционное зондирование;удаление шума изображений;глубокое обучение;самоконтроль;автоэнкодер;контрастное обучение;контрастно-воспринимаемые потери;сохранение деталей