هدف از تجزیه طیفی تصاویر ابرطیفی، استخراج امضاهای طیفی عناصر خالص تشکیل دهنده پیکسل های صحنه و فراوانی آن هاست. بیشتر الگوریتم های به کاررفته در فرآیند استخراج امضاهای طیفی، بدون آنکه ساختار و همبستگی مکانی پیکسل های تصویر را در نظر بگیرند، تنها به اطلاعات طیفی پیکسل های تصویر توجه کرده اند. به تازگی الگوریتم هایی پباده سازی شده است که به کمک ترکیب اطلاعات مکانی و طیفی، فرآیند شناسایی عناصر خالص و تجزیه طیفی را بهبود می بخشند. در این مقاله، یک ماژول پیش پردازشگر جدید مکانی طیفی ارائه شده است، به طوری که پیکسل های نواحی مرزی به کمک نقشه کلاس به دست آمده از الگوریتم کلاسترینگ، بدون نظارت و پنجره همسایگی 8تایی، میان دو یا چند ناحیه کلاستر را شناسایی و این نواحی ناهمگن مکانی را حذف می کنند. سپس به کمک محاسبه وزن خلوص طیفی پیکسل های غیرمرزی و آستانه گذاری، پیکسل های موجود در نواحی همگن مکانی و خالص طیفی را شناسایی می کنند تا طبقات استخراج عناصر خالص بعدی بتوانند با دقت و سرعت بیشتری، امضاهای طیفی را استخراج کنند. هدف ماژول مستقل پیشنهادی، کاهش خطای RMSE تصویر بازسازی شده و مدت زمان پردازش لازم برای استخراج عناصر خالص و بهبود معیار جدیدی به نام بازده نسبت به دیگر طبقات پیش پردازشگر موجود بر روی تصاویر ابرطیفی واقعی است.