O modelo linear de desmistura tem recebido ampla atenção devido à sua eficiência (cálculo simples, escalabilidade), significado físico claro e facilidade de processamento. Entre vários métodos lineares de desmistura, as técnicas de desmistura baseadas em autoencoders exibem vantagens significativas na capacidade de ajuste dos dados e extração de características profundas. No entanto, esse método também apresenta algumas limitações. Por exemplo, a presença de ruído nos dados de entrada faz com que a capacidade de generalização do modelo diminua durante o processamento; ao lidar com características multiescala, frequentemente há alguns problemas de redundância; para garantir uma complexidade computacional linear enquanto mantém dependências de longo alcance, é necessário um entendimento aprofundado das características espaciais e espectrais. Para isso, este artigo propõe um módulo de autoatenção para o desnoising de imagens hiperespectrais e apresenta um novo modelo de imagem hiperespectral baseado no modelo Mamba. Primeiro, foi projetado um bloco Mamba espacial para extrair características espaciais; depois, do ponto de vista espectral, foi proposto um bloco Mamba espectral; finalmente, os vetores espectrais foram divididos em vários grupos para explorar as relações entre diferentes grupos espectrais e extrair características espectrais. Esses três módulos foram integrados em uma rede autoencoder convolucional em várias etapas, formando o framework de desmistura com atenção Mamba em várias fases PSAMN (Phase-wise Mamba Attention Unmixing Framework). Foram realizados experimentos comparativos com o modelo PSAMN proposto em conjuntos de dados hiperespectrais sintéticos e reais. Os resultados experimentais mostram que o modelo de desmistura proposto é mais eficaz e competitivo em comparação com os algoritmos existentes.

desmistura hiperespectral; aprendizado profundo; modelo Mamba; módulo de autoatenção; bloco Mamba