بدلیل حضور پیکسل های مختلط در تصاویر ابرطیفی روشهای مختلف پردازش در سطح زیرپیکسل استفاده می شوند، نظیر تجزیه طیفی خطی که اطلاعاتی از مقدار فراوانی هر کلاس را در یک پیکسل بدست می دهد. فرض اولیه این مدل، این است که هر پیکسل ترکیب خطی از کل کلاسهای سطح تصویر است. در عمل این فرض صحیح نیست چرا که هر پیکسل تنها می تواند ترکیبی از چند کلاس همسایه باشد. علاوه بر این از آنجاییکه فرآیند تجزیه طیفی توسط یک مدل کاملا ریاضی صورت می-پذیرد، با فرض حضور کل کلاسها در هر پیکسل، خروجی این مدل منطبق با واقعیت فیزیکی زمین نخواهد بود. از اینرو در این پژوهش روش تجزیه طیفی خطی به صورت محلی و به دو روش نظارت شده و نظارت نشده مورد بررسی قرار خواهد گرفت. در روش نظارت شده ابتدا با استفاده از طبقه-بندی کننده بیشترین شباهت برچسب مربوط به کلاسها استخراج می گردد. سپس سطح کل تصویر توسط پنجره ای با ابعاد فرد جاروب می شود. برای پیکسل مرکزی پنجره، ماتریس اعضای خالص تنها بر اساس کلاسهای غالب بدست آمده از خروجی طبقه بندی در این پنجره، تشکیل می گردد. در ادامه با اجرای مرحله معکوس سازی، سهم هر یک از این کلاسها در پیکسل مورد نظر محاسبه می گردد. در روش نظارت نشده نیز بر هر پیکسل پنجره ای اعمال می شود سپس طیف های اعضای خالص موجود در این پنجره توسط الگوریتم استخراج اعضای خالص تخمین زده می شوند و بر اساس آنها پیکسل به اجزای تشکیل دهنده اش تقسیم می شود. تصویر ابرطیفی مورد استفاده در این پژوهش تصویر سنجنده aviris مربوط به منطقه جنگلی/کشاورزی در شمال ایالت ایندیانا در امریکا است. پس از پیاده سازی، روش تجزیه طیفی متداول در بهترین حالت به دقت طبقه بندی کلی 79/64 درصد و طبقه بندی کننده بیشترین شباهت به دقت 52/83 درصد دست یافت. روش های نظارت شده و نظارت نشده پیشنهادی به ترتیب دقت طبقه بندی کلی 40/86 و 56/80 درصد را نتیجه دادند. شایان ذکر است در روش مذکور به دلیل کوچک شدن ابعاد ماتریس اعضای خالص، زمان انجام محاسبات بسته به کلاسهای موجود در هر پنجره، از سه تا هشت برابر کاهش یافت. بنابراین با توجه به بهبود میزان دقت نسبت به روش متداول تجزیه طیفی و طبقه بندی کننده بیشترین شباهت، همچنین کاهش حجم محاسبات، روش نظارت شده پیشنهادی در این پژوهش، از عملکرد بهتری برخوردار می باشد. علاوه بر این نتایج نشان دادند که برای طبقه بندی تصاویر فراطیفی، نقشه کاربری حاصل از روش تجزیه طیفی از دقت کلی بالاتری نسبت به خروجی دیگر طبقه بندی کننده ها برخوردار می باشد.