تصاویر سنجش از دور معمولاً به صورت ترکیبی از پیکسل های خالص و مخلوط اند. در روش های طبقه بندی سخت، پیکسل های مخلوط به کلاس دارای بیشترین اطمینان تعلق نسبت داده می شوند. بدین ترتیب به علت تک برچسبی بودن نتایج طبقه بندی سخت، اطلاعات در سطح زیرپیکسل نادیده گرفته می شود. روش های طبقه بندی نرم که برای حل این مشکل شکل گرفته اند، برآورد سهم کلاس های مختلف را برای هر یک از پیکسل ها فراهم می آورند. البته این نوع طبقه بندی کننده ها هیچ گونه اطلاعاتی را در مورد آرایش مکانی کلاس های مختلف در داخل پیکسل ها ارائه نمی کنند. الگوریتم معاوضه پیکسلی با استفاده از نتایج طبقه بندی نرم و براساس بیشینه کردن وابستگی مکانی زیرپیکسل ها، امکان تهیه نقشه پوششی را در سطح زیرپیکسل فراهم می سازد. الگوریتم پایه این روش برای حالت باینری است. در تحقیق حاضر به منظور تولید نقشه پوششی، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری ایجاد گردیده و دقت این الگوریتم در دو حالت مستقل از خطای طبقه بندی نرم و وابسته به آن مورد ارزیابی قرار گرفته است. به علاوه، تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن نیز در عملکرد این الگوریتم بررسی شده است. براساس نتایج تحقیق، دقت کلی الگوریتم معاوضه پیکسلی، بسیار وابسته به دقت ورودی الگوریتم (نتایج طبقه بندی نرم است. دستاورد دیگر تحقیق، این بود که مشخص گردید با افزایش ضریب بزرگنمایی، دقت الگوریتم کاهش می یابد. دیگر اینکه سطح همسایگی دوم و توابع معکوس فاصله و مجذور معکوس فاصله، بیشترین دقت را به همراه دارند. با در نظر گرفتن ضریب بزرگنمایی کمتر از 5، دقت کلی الگوریتم در فرایند بهینه سازی آرایش مکانی زیر پیکسل ها بیشتر از 90 درصد برآورد گردید.
