Debido a la forma única de adquisición de imágenes de teledetección, su proceso de captura es fácilmente afectado por interferencias de ruido, lo que provoca una grave degradación de la información y es difícil obtener imágenes limpias y ruidosas del mismo escenario en el mundo real. Por lo tanto, la eliminación de ruido auto supervisada de imágenes se ha convertido en una dirección popular de investigación. Para imágenes de teledetección con texturas complejas, los métodos actuales de eliminación de ruido presentan problemas de pérdida de detalles y desenfoque del fondo. Para ello, este artículo 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 auto codificador convolucional con aumento de características, introduciendo un módulo de extracción de características globales y un módulo de atención para obtener características superficiales de contorno a diferentes escalas y características detalladas 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 retiene el flujo de información de capas profundas y superficiales mediante una operación dinámica adaptativa de mezcla. En la rama de contraste, el algoritmo utiliza plenamente la información contenida en las imágenes con ruido a través de una estrategia de aprendizaje contrastivo para construir una nueva pérdida de percepción contrastiva, y combina la pérdida de reconstrucción y la pérdida de variación total para medir la suavidad y la capacidad de conservación de detalles de la imagen desruidosa, reduciendo efectivamente el desenfoque del fondo. Finalmente, en los conjuntos de datos NWPU-RESISC45 y UC Merced Land Use, se comparó el método propuesto con otros métodos de eliminación de ruido. Los resultados muestran que el método propuesto mejoró la relación señal-ruido máxima promedio en ruido gaussiano de 1.47 a 4.34 dB y 2.06 a 4.95 dB, y el índice medio de similitud estructural en 2.3% a 11.8% y 2.6% a 11.5%. Además, el método también logró buenos resultados de eliminación de ruido en imágenes de teledetección con ruido de moteado, ruido de franjas y ruido real.

teledetección;eliminación de ruido de imágenes;aprendizaje profundo;auto supervisión;auto codificador;aprendizaje contrastivo;pérdida de percepción contrastiva;mantenimiento de detalles