突破高光谱图像解混技术，多阶段曼巴注意力框架显成效

高光谱遥感影像解混技术近日迎来创新突破。一种名为“多阶段曼巴注意力解混框架（PSAMN）”的新方法，通过整合空间Mamba块、光谱Mamba块和自注意力模块，有效解决了高光谱图像解混中的噪声干扰、多尺度特征冗余和长距离依赖捕获等难题。

高光谱解混的技术挑战

高光谱图像作为“图谱合一”的数据立方体，记录了地物在不同波段的光谱信息，为各领域提供了宝贵数据支持。然而，混合像元问题一直是高光谱技术应用的瓶颈。

由于空间分辨率限制，单个像元往往包含多种物质信息，形成混合像元，影响高光谱影像应用的准确性。解混技术旨在将这些混合像元分解为纯物质的光谱信号（端元）和对应的丰度，以估计各种物质在场景中的空间分布。

传统线性解混方法存在明显局限性。它们通常单独处理线性或非线性混合关系，难以兼顾鲁棒性与精确性。而现有的深度学习模型又常因“黑箱”特性牺牲了解释性，且忽视空间信息的整合。

噪声干扰、特征冗余和长距离依赖捕获更是行业公认的技术难点。

图1  线性光谱解混模型示意图

PSAMN框架的技术创新

PSAMN框架的创新性体现在三大核心模块的协同工作上，为高光谱解混提供了全新解决方案。

空间特征提取方面，研究团队设计了Pyramid Mamba结构，采用深度空间金字塔池化技术（DSPP）。这种方法通过多尺度池化层进行特征提取，有效捕捉更丰富的细节与全局特征，避免了传统单一尺度池化造成的信息损失。

在噪声处理上，SST模块整合自注意力机制，构建了高效去噪框架。这一设计能有效抑制噪声干扰，增强特征识别的细节和准确性，提高模型在复杂环境下的鲁棒性。

光谱特征提取方面，创新的光谱曼巴块通过将光谱特征分组并建立组间联系，实现特征的动态更新。该设计在捕捉依赖关系方面表现出色，能够提取具有更高区分度的像素级光谱特征。

这些模块被巧妙融合进多阶段卷积自编码器网络，形成了完整的解混框架。与传统方法相比，PSAMN在保持计算效率的同时，显著提升了解混精度。

图 2  PSAMN网络框架图

技术优势与实验验证

PSAMN框架在合成与真实数据集上的实验表现出色，展现出多方面技术优势。

在特征提取能力方面，该框架通过多尺度特征捕捉和动态更新机制，能够更全面地提取空间和光谱特征。与传统方法相比，PSAMN在复杂混合场景下，端元估计误差显著降低。

关于抗噪性能，结合自注意力去噪机制和特征分组策略，PSAMN对高斯噪声和稀疏噪声均表现出更强的鲁棒性。特别是在低信噪比环境下，该框架仍能保持较高的解混精度。

研究团队在多个数据集上进行了对比实验。结果显示，PSAMN在端元提取和丰度反演方面均优于现有技术，尤其在处理复杂混合场景时优势更加明显。

应用前景与未来方向

PSAMN框架的成功研发为高光谱技术在多领域的应用打开了新的可能。

在环境监测领域，更精确的解混能力意味着能更准确识别地表物质成分，为环境评估提供可靠数据支持。在农业领域，该技术可提升作物健康监测和病害诊断的准确性。

对于矿物勘探，高精度解混技术有助于更精确识别矿物分布，提高勘探效率。此外，在国土资源调查、城市规划等领域，PSAMN也同样具有广泛应用前景。

展望未来，研究团队表示将继续优化模型结构，探索更多光谱与空间特征融合机制，进一步提升解混精度和效率。随着算法不断优化，高光谱遥感技术的应用边界也将不断拓展。

实验结果显示，PSAMN框架在端元提取精度上比传统方法提高显著。这意味着卫星和无人机获取的高光谱数据将被解析得更加精确，地物分类和识别准确性将大幅提升。

随着高光谱遥感技术的不断发展，对高效精准解混技术的需求日益迫切。PSAMN框架的成功研发，不仅推动了高光谱图像处理技术的进步，也为遥感技术在各个领域的深入应用提供了新的技术支撑。

未来，研究团队计划将这一创新框架应用于更多实际场景，进一步验证和优化其性能。