El modelo de mezcla lineal ha recibido gran atención debido a su eficiencia (cálculo simple, escalabilidad), significado físico claro y facilidad de manejo. Entre los diversos métodos de mezcla lineal, la técnica de codificador automático ha mostrado ventajas notables en la capacidad de ajuste de datos y en la extracción de características profundas. Sin embargo, este método tiene ciertas limitaciones. Por ejemplo, el ruido en los datos de entrada reduce la capacidad de generalización del modelo durante el procesamiento; frente a características multiescala a menudo surgen problemas de redundancia; para mantener la complejidad computacional lineal mientras se asegura la dependencia de largo alcance, es necesario comprender profundamente las características espaciales y espectrales. Por ello, este artículo propone un módulo de autoatención para el desruido de imágenes hiperespectrales y un nuevo modelo de imágenes hiperespectrales basado en el modelo Mamba. Primero se diseñó un bloque espacial Mamba para extraer características espaciales; luego, en el aspecto espectral, se propuso un bloque espectral Mamba; finalmente, el vector espectral se dividió en varios grupos para explorar las relaciones entre diferentes grupos espectrales y extraer características espectrales. Estos tres módulos se integraron en una red de codificador automático convolucional de múltiples etapas, formando el marco de atención Mamba PSAMN (Phase-wise Mamba Attention Unmixing Framework). Se realizaron experimentos comparativos en conjuntos de datos hiperespectrales sintéticos y reales. Los resultados experimentales muestran que el modelo de mezcla propuesto es más efectivo y competitivo que los algoritmos existentes.

Desmezcla hiperespectral;Aprendizaje profundo;Modelo Mamba;Módulo de autoatención;Bloque Mamba