Le démixage hyperspectral permet de représenter les pixels mixtes comme un ensemble de matériaux purs pondérés par leurs abondances. Les caractéristiques spectrales seules sont souvent insuffisantes, il est donc courant de s'appuyer sur d'autres caractéristiques de la scène. Les modèles matriciels deviennent insuffisants lorsque l'image hyperspectrale est représentée comme un tenseur d'ordre élevé avec des fonctionnalités supplémentaires dans un cadre multimodal et multi-fonctionnalités. Les modèles tensoriels tels que la décomposition polyadique canonique permettent ce type de démixage, mais manquent d'un cadre général et d'une interprétabilité des résultats. Dans cet article, nous proposons un cadre méthodologique pour le démixage multi-caractéristiques basé sur la méthode de direction alternée d'optimisation alternée des multiplicateurs et incorporant la contrainte somme-à-un d'abondance (AO-ADMM-ASC), avec une interprétation mathématique, physique et graphique approfondie. et les connexions avec le modèle de mélange linéaire étendu. Comme fonctionnalités supplémentaires, nous proposons d'incorporer la morphologie mathématique et de recadrer un travail antérieur sur les patchs de voisinage dans notre cadre. Des expériences sur des données d'images hyperspectrales réelles montrent l'efficacité de l'AO-ADMM-ASC et permettent une interprétation approfondie du modèle. Les implémentations Python et MATLAB de AO-ADMM-ASC sont disponibles sur GitHub.