Das lineare Entmischungsmodell erhält aufgrund seiner Effizienz (einfache Berechnung, Skalierbarkeit), seiner klaren physikalischen Bedeutung und einfachen Handhabung breite Aufmerksamkeit. Unter den verschiedenen linearen Entmischungsmethoden zeigt die Autoencoder-Entmischungstechnik deutliche Vorteile bei der Datenanpassungsfähigkeit und der tiefen Merkmalextraktion. Allerdings gibt es auch einige Einschränkungen. Zum Beispiel führt Rauschen in den Eingabedaten zu einer verminderten Generalisierungsfähigkeit des Modells während der Verarbeitung; bei mehrskaligen Merkmalen treten oft Redundanzprobleme auf; um gleichzeitig eine lineare Rechenkomplexität bei Erhaltung langreichweitiger Abhängigkeiten zu gewährleisten, ist ein tieferes Verständnis der räumlichen und spektralen Eigenschaften erforderlich. Daher wird in dieser Arbeit ein Selbstaufmerksamkeitsmodul zur Rauschunterdrückung hyperspektraler Bilder vorgeschlagen und ein neues hyperspektrales Bildmodell basierend auf dem Mamba-Modell eingeführt. Zunächst wurde ein räumlicher Mamba-Block zur Extraktion räumlicher Merkmale entworfen; dann wurde im Spektralbereich ein spektraler Mamba-Block vorgeschlagen; schließlich wurden Spektralvektoren in mehrere Gruppen geteilt, um Beziehungen zwischen verschiedenen Spektralgruppen zu entdecken und spektrale Merkmale zu extrahieren. Diese drei Module wurden in ein mehrstufiges konvolutionales Autoencoder-Netzwerk integriert und bilden den mehrstufigen Mamba-Aufmerksamkeits-Entmischungsrahmen PSAMN (Phase-wise Mamba Attention Unmixing Framework). Vergleichende Experimente wurden auf synthetischen und realen hyperspektralen Datensätzen durchgeführt. Die Ergebnisse zeigen, dass das vorgeschlagene Entmischungsmodell effektiver und wettbewerbsfähiger als bestehende Algorithmen ist.

Hyperspektrale Entmischung;Tiefes Lernen;Mamba-Modell;Selbstaufmerksamkeitsmodul;Mamba-Block