高光谱图像能够揭示各种地面物体的特征，包括地形、温度和作物种类。因此，高光谱图像在环境评估、地质调查和军事监视等多个领域具有广泛的应用[[1], [2], [3]]。此外，随着传感器技术的进步[4,5]，分辨率不断提高，产生了数十亿张高光谱图像，并通过各种平台进行传输[6,7]。因此，迫切需要改进高光谱图像压缩技术，以在保持高图像保真度的同时提高压缩效率。
目前，传统的图像压缩技术已经取得了一些成果[8,9]。经典的JPEG[10]和JPEG2000[11]技术架构主要包括图像变换、量化处理和熵编码。首先对图像进行变换并去除冗余信息，然后通过量化操作筛选并保留重要信息，最后利用熵编码技术进一步压缩相关性降低的数据。此外，为了适应时代需求，还出现了更好的便携式图形格式（BPG[12,13]）和WebP[14]。然而，传统压缩方法有一个局限性，即在追求高压缩比时，重建的图像会出现明显的模糊效果。因此，对于具有丰富特征的高光谱图像，传统压缩方法难以实现高保真度重建。
为了寻求技术突破，研究人员将注意力转向了深度学习技术，这些技术在过去几年中变得非常流行[[15], [16], [17]]。经典的基于深度学习的图像压缩模型包括自编码器（AE[18,19]）和变分自编码器（VAE[20,21]）。刘等人构建了一种水下图像压缩方案，利用AE实现极低比特率的压缩；徐等人构建了一种基于VAE的卷积神经网络（CNN）进行压缩，通过线性CNN和非线性激活函数提升性能[21]。值得一提的是，与AE相比，VAE具有更强的数据建模能力，它学习到一个连续的潜在空间，取代了AE生成的离散潜在表示。这种连续性使得潜在空间中的每个点都有意义，从而支持更平滑的插值和新数据的生成。近年来，基于VAE的基线网络在图像压缩方面表现出色，性能优于传统方法[22,23]。这些基于VAE的网络通常包含编码器、熵编码模块和解码器，它们首先使用神经网络压缩图像，然后对数据进行量化，最后使用传统编码技术生成高效的比特流。此外，为了提高建模精度并有效利用先验知识，某些模型在其框架中融入了多种熵模型，如拉普拉斯熵模型、混合高斯模型和分解熵模型[24,25]。在这些理论基础上，研究人员设计了多种针对遥感图像的深度学习压缩网络，取得了良好的速率失真平衡效果[26,27]。尽管这些方法可以实现图像压缩，但在高压缩比下重建的图像仍然会模糊。所提出的SDMNet通过保留高质量的频域特征和精细的特征提取，在高压缩比下实现了清晰的重建。
用于高光谱图像压缩的深度学习模型主要有三类：基于CNN的方法[26,27]、基于Transformer的方法[28,29]和基于对比学习的方法[30]。在基于CNN的方法中，周等人构建了一种适用于轻型机载系统的高光谱图像压缩方法，该方法结合了优化后的解码器和通道注意力机制实现高质量重建[26]。在基于Transformer的方法中，张等人提出了一种高效的基于CNN-Transformer Hybrid（CTM）架构的高光谱图像压缩网络，为了满足星载推扫式高光谱传感器的接收场要求，设计了非方形卷积层和CTM模块构建轻型编码器[29]。需要注意的是，Transformer在处理长序列和高维数据时具有二次时间复杂度，导致计算和内存需求大幅增加。相比之下，Mamba基于选择性状态空间模型（SSM），采用线性时间复杂度，能够动态选择相关数据进行计算，从而提高效率并减少不必要的计算。因此，本文首次将Mamba技术引入高光谱压缩领域。在基于对比学习的方法中，郭等人构建了一种高质量的高光谱图像压缩网络，通过比较信息编码从原始高光谱图像中提取和组织判别性特征，并在不同通道索引下增强潜在特征的判别性[30]。尽管上述方法取得了良好的压缩效果，但在高压缩比下仍会丢失大量细节特征，这是由于频域特征的丢失和粗糙的特征提取方法所致。
高光谱图像在频域中包含丰富的信息。高质量的频域特征有助于提取边缘和纹理结构。然而，当前基于学习的高光谱图像压缩网络通常直接融合各波段的信息，忽略了波段之间的差异，这也导致频域中许多特征的丢失，使得重建图像在高压缩比下变得模糊。因此，高效对齐频域特征成为高光谱图像压缩需要解决的一个严重挑战。
为了解决上述问题，提出了一种基于Mamba金字塔的高光谱图像压缩网络（SDMNet）。该网络不仅保留了高质量的频域特征，还实现了精细的特征提取。高光谱图像包含丰富的频域特征，有助于对齐边缘和纹理特征。因此，构建了一个光谱差异保持头（SDPH）来对齐频域特征。其次，高光谱图像包含多种类型的特征，包括光谱特征、不规则特征和多尺度特征，因此构建了Mamba金字塔特征增强模块（MPFM）以精细地提取多种特征。最后，本文提出了一种结合VAE的高效高光谱压缩模型（SDMNet）。
本文的贡献可以总结如下：
(1).首次将Mamba技术引入高光谱图像压缩领域，提高了模型捕捉远距离特征的能力，有效提升了压缩效率和图像保真度，为高光谱数据压缩领域带来了新的技术视角。
(2).设计了一个光谱差异保持头（SDPH），包括分组逐元素重建头（GERH）、复杂频域特征分析块（CFB）和多尺度特征交互块（MIB），以高效对齐原始高光谱图像和重建高光谱图像中的频域特征。
(3).通过维度压缩块（DSB）、金字塔Mamba块（PMB）和点态卷积特征增强块（PFB）设计了一个Mamba金字塔特征增强模块（MPFM），以实现多种特征的精细提取。
(4).本研究高效地结合了SDPH、MPFM和VAE框架，构建了基于Mamba金字塔的高光谱图像压缩网络（SDMNet），并在三个公开的高光谱图像数据集上进行了大量实验，证明了SDMNet的优越压缩性能。
本文的其余部分安排如下：第二节详细介绍了SDMNet及其各个模块；第三节介绍了相关数据集，并通过多种评估指标详细分析和比较了SDMNet与先进压缩方法；第四节总结了研究结果并探讨了未来研究的潜在方向。
