Debido a la forma única en que se adquieren las imágenes de teledetección, su proceso de adquisición es propenso a interferencias de ruido, lo que conduce a una grave degradación de la información, y en el mundo real es difícil obtener imágenes limpias y con ruido del mismo escenario. Por lo tanto, la eliminación de ruido auto-supervisada se ha convertido en una dirección de investigación popular. Para imágenes de teledetección con texturas complejas, los métodos de eliminación de ruido existentes presentan problemas de pérdida de detalles y desenfoque del fondo. Para ello, este trabajo propone un algoritmo de eliminación de ruido auto-supervisado para imágenes de teledetección basado en el aumento de características y el aprendizaje contrastivo, compuesto por dos partes: una rama de eliminación de ruido y una rama de contraste. En la rama de eliminación de ruido, primero se diseñó una red de autoencoder convolucional con aumento de características, introduciendo un módulo de extracción de características globales y un módulo de extracción de atención para obtener características de contorno superficiales a diferentes escalas y características de detalles locales; luego, se utiliza un módulo dinámico de aumento de características para ampliar el campo receptivo y fusionar más información estructural espacial; finalmente, en el módulo de reconstrucción de imágenes, se mantiene el flujo de información profunda y superficial a través de una operación dinámica de mezcla adaptativa. En la rama de contraste, el algoritmo utiliza una estrategia de aprendizaje contrastivo para aprovechar plenamente la información que llevan las imágenes ruidosas y construye una nueva pérdida perceptual contrastiva, y combina la pérdida de reconstrucción y la pérdida de variación total para medir la suavidad y la capacidad de preservación de detalles de la imagen eliminada de ruido, reduciendo eficazmente el desenfoque del fondo. Finalmente, el método propuesto se compara con otros métodos de eliminación de ruido en los conjuntos de datos NWPU-RESISC45 y UC Merced Land Use. Los resultados muestran que el método mejora la relación señal-ruido máxima promedio en ruido gaussiano en 1,47-4,34 dB y 2,06-4,95 dB, y la similitud estructural promedio en 2,3%-11,8% y 2,6%-11,5%. Además, el método también obtiene buenos resultados de eliminación de ruido en imágenes de teledetección con ruido de sal y pimienta, ruido de franjas y ruido real.

teledetección;eliminación de ruido de imágenes;aprendizaje profundo;auto-supervisión;autoencoder;aprendizaje contrastivo;pérdida perceptual contrastiva;mantenimiento de detalles