Das lineare Entmischungsmodell hat aufgrund seiner Effizienz (einfache Berechnung, Skalierbarkeit), seiner klaren physikalischen Bedeutung und seiner einfachen Handhabung große Aufmerksamkeit erhalten. Unter den verschiedenen linearen Entmischungsmethoden zeigen Entmischungstechniken mit Autoencoder deutliche Vorteile in Bezug auf Datenanpassungsfähigkeit und tiefes Merkmalsextraktion. Allerdings gibt es auch einige Einschränkungen bei diesem Ansatz. Zum Beispiel führt Rauschen in den Eingabedaten zu einer geringeren Generalisierungsfähigkeit des Modells während der Verarbeitung; bei der Handhabung von Mehrskaleneigenschaften treten oft Redundanzprobleme auf; um bei beibehaltung linearer Rechenkomplexität lange Abhängigkeiten zu gewährleisten, ist ein tiefes Verständnis der räumlichen und spektralen Eigenschaften erforderlich. Daher schlägt dieser Artikel ein Selbstaufmerksamkeitsmodul zur Rauschunterdrückung von Hyperspektralbildern vor und präsentiert ein neues Hyperspektralbildmodell basierend auf dem Mamba-Modell. Zunächst wurde ein räumlicher Mamba-Block zur Extraktion räumlicher Merkmale entwickelt; dann wurde im Spektralbereich ein spektraler Mamba-Block vorgeschlagen; schließlich werden die Spektralvektoren in mehrere Gruppen unterteilt, um die Beziehungen zwischen verschiedenen Spektralgruppen zu erforschen und spektrale Merkmale zu extrahieren. Diese drei Module wurden in ein mehrstufiges konvolutionelles Autoencoder-Netzwerk integriert und bilden den mehrstufigen Mamba-Aufmerksamkeits-Entmischungsrahmen PSAMN (Phase-wise Mamba Attention Unmixing Framework). Vergleichende Experimente wurden mit dem in diesem Artikel vorgeschlagenen PSAMN-Modell auf synthetischen und realen hyperspektralen Datensätzen durchgeführt. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Entmischungsmodell wirksamer und wettbewerbsfähiger ist als bestehende Algorithmen.

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