Le modèle de décomposition linéaire attire une large attention en raison de son efficacité (calcul simple, évolutivité), de sa signification physique claire et de sa facilité de traitement. Parmi les diverses méthodes de décomposition linéaire, la technique d'autoencodeur a démontré des avantages significatifs en termes de capacité d'ajustement des données et d'extraction de caractéristiques profondes. Cependant, cette méthode présente certaines limites. Par exemple, le bruit dans les données d'entrée réduit la capacité de généralisation du modèle lors du traitement ; il existe souvent des redondances face aux caractéristiques multi-échelles ; pour maintenir une complexité de calcul linéaire tout en assurant des dépendances à longue portée, il est nécessaire de comprendre en profondeur les caractéristiques spatiales et spectrales. À cette fin, cet article propose un module d'auto-attention pour débruiter les images hyperspectrales et présente un nouveau modèle d'images hyperspectrales basé sur le modèle Mamba. Tout d'abord, un bloc spatial Mamba a été conçu pour extraire les caractéristiques spatiales ; ensuite, dans le domaine spectral, un bloc spectral Mamba a été proposé ; enfin, les vecteurs spectraux ont été divisés en plusieurs groupes pour explorer les relations entre différents groupes spectraux et extraire les caractéristiques spectrales. Ces trois modules ont été intégrés dans un réseau autoencodeur convolutif multi-étapes, formant le cadre d'attention multi-étapes Mamba PSAMN (Phase-wise Mamba Attention Unmixing Framework). Des expériences comparatives ont été menées sur des ensembles de données hyperspectrales synthétiques et réelles. Les résultats montrent que le modèle de décomposition proposé est plus efficace et compétitif que les algorithmes existants.

Décomposition hyperspectrale;Apprentissage profond;Modèle Mamba;Module d'auto-attention;Bloc Mamba