異なる照明条件や複雑な大気環境などの要因により、同じエンドメンバーのスペクトル特性は画像の異なる位置で目に見える差異を示し、この現象をエンドメンバーのスペクトル変異性と呼ぶ。かなり大きなシーンではエンドメンバーの変異性は大きい場合があるが、適度な局所均質領域内では変異性は小さいことが多い。撹乱線形混合モデル（Perturbed Linear Mixing Model、PLMM）は混合解除の過程でエンドメンバーの変異性による悪影響を軽減できるが、スケール効果による変異性の処理能力は弱い。これに対して、本論文では撹乱線形混合モデルを改良し、スケール効果による変異性を処理するためにスケール因子を導入し、超画素分割アルゴリズムと組み合わせて局所均質領域を分割し、その後、局所均質領域内で共有されるエンドメンバー変異性に基づく混合解除アルゴリズム（Shared Endmember Variability in Unmixing、SEVU）を設計した。撹乱線形混合モデル、拡張線形混合モデル（Extended Linear Mixing Model、ELMM）などのアルゴリズムと比較して、提案するSEVUアルゴリズムは合成データセットにおいて平均エンドメンバースペクトル角距離（mean Spectral Angle Distance、mSAD）および豊度二乗平均平方根誤差（abundance Root Mean Square Error、aRMSE）がそれぞれ0.0855および0.0562で最良であり、Jasper RidgeおよびCupriteの実データセットにおいてもmSADがそれぞれ0.0603および0.1003で最良であった。合成データセットおよび二つの実測データセットでの実験結果は、SEVUアルゴリズムの有効性を検証した。

高分光画像;混合ピクセル分解;スペクトル変異性;撹乱線形混合モデル;局所均質領域