Lineare Entmischungsmodelle erhalten aufgrund ihrer Effizienz (einfache Berechnung, Skalierbarkeit), klaren physikalischen Bedeutung und einfachen Handhabung große Aufmerksamkeit. Unter verschiedenen linearen Entmischungsmethoden zeigt die Entmischung mittels Autoencoder signifikante Vorteile bei der Datenanpassungsfähigkeit und der Extraktion tiefer Merkmale. Dennoch weist diese Methode auch einige Einschränkungen auf. Beispielsweise verringert Rauschen in den Eingangsdaten die Generalisierungsfähigkeit des Modells während der Verarbeitung; bei Multi-Skalen-Merkmalen treten häufig Redundanzprobleme auf; um eine lineare Rechenkomplexität bei gleichzeitigem Erhalt langfristiger Abhängigkeiten zu gewährleisten, ist ein tiefgehendes Verständnis der räumlichen und spektralen Eigenschaften erforderlich. Daher wird in diesem Artikel ein Selbstaufmerksamkeitsmodul zur Rauschunterdrückung hyperspektraler Bilder vorgeschlagen sowie ein neues darauf basierendes hyperspektrales Bildmodell auf Basis des Mamba-Modells. Zunächst wurde ein räumlicher Mamba-Block zur Extraktion räumlicher Merkmale entworfen; dann wurde ein spektraler Mamba-Block vorgeschlagen; schließlich wird der spektrale Vektor in mehrere Gruppen unterteilt, um die Beziehungen zwischen verschiedenen spektralen Gruppen zu erforschen und spektrale Merkmale zu extrahieren. Diese drei Module werden in ein mehrstufiges Faltungs-Autoencoder-Netzwerk integriert, das den mehrstufigen Mamba-Aufmerksamkeits-Entmischungsrahmen (PSAMN) bildet. Vergleichende Experimente mit dem vorgeschlagenen PSAMN-Modell wurden auf synthetischen und realen hyperspektralen Datensätzen durchgeführt. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Entmischungsmodell wirksamer und wettbewerbsfähiger als bestehende Algorithmen ist.

hyperspektrale Entmischung; tiefes Lernen; Mamba-Modell; Selbstaufmerksamkeitsmodul; Mamba-Block