Devido a diferentes condições de iluminação, ambientes atmosféricos complexos e outros fatores, as características espectrais do mesmo endmember apresentam diferenças visíveis em diferentes posições da imagem, fenômeno conhecido como variabilidade espectral do endmember. Em cenas relativamente grandes, a variabilidade do endmember pode ser grande, mas em áreas locais homogêneas moderadas, a variabilidade geralmente é pequena. O Modelo de Mistura Linear Perturbado (Perturbed Linear Mixing Model, PLMM) pode mitigar os efeitos adversos da variabilidade do endmember durante o processo de desmistura, mas sua capacidade de lidar com a variabilidade causada pelo efeito de escala é fraca. Para isso, este artigo melhora o modelo PLMM, introduzindo um fator de escala para lidar com a variabilidade causada pelo efeito de escala, combinado com um algoritmo de segmentação de superpixels para dividir as áreas locais homogêneas, e então projeta um algoritmo de desmistura baseado na variabilidade compartilhada do endmember em áreas locais homogêneas (Shared Endmember Variability in Unmixing, SEVU). Comparado ao PLMM, ao Modelo de Mistura Linear Estendido (Extended Linear Mixing Model, ELMM) e outros algoritmos, o algoritmo SEVU proposto apresenta os melhores resultados no conjunto de dados sintético em termos da distância média do ângulo espectral do endmember (mean Spectral Angle Distance, mSAD) e do erro quadrático médio da abundância (abundance Root Mean Square Error, aRMSE), com valores de 0,0855 e 0,0562 respectivamente; nos conjuntos de dados reais Jasper Ridge e Cuprite, o mSAD também é o melhor, com valores de 0,0603 e 0,1003 respectivamente. Os resultados experimentais nos conjuntos de dados sintéticos e dois conjuntos de dados reais validam a eficácia do algoritmo SEVU.

imagem hiperespectral; descomposição de pixels mistos; variabilidade espectral; modelo de mistura linear perturbado; áreas locais homogêneas