在三个层次的融合算法中，目前应用最广并且研究最深的仍为像素级融合算法，其中全 色锐化算法，即 Pan-sharpening（Panchromatic Sharpening 的缩写）是像素级融合算法的主要 分支和应用，具有很明确的研究目标和任务，即釆用 PAN 图像增强 MS 图像或 HS 图像中的 空间细节信息，提高 MS 图像或 HS 图像的空间分辨率。本文主要探讨 Pan-sharpening 算法， 所以接下来将以 MS 图像为例简要介绍 Pan-sharpening 算法的国内外研究现状，这些算法同 样适用于 HS 图像。78634

目前己经出现了很多 Pan-sharpening 算法，其关键是在最大限度地增强 MS 图像空间细 节的同时，使得 MS 图像的光谱失真最小。传统的 Pan-sharpening 算法大致可以分为以下三 类[6]：基于成分替代的方法、基于调制的方法以及基于多分辨率分析的方法，多个研究工作 对这些算法进行了评价与比较[7-13]。

（1）基于成分替代的 Pan-sharpening 方法

基于成分替代（Component Substitution，CS）的 Pan-sharpening 方法，在一般情况下可 以分为一下三个步骤：第一步，将参与融合的低分辨率 MS 图像的各个波段内插到 PAN 图像 的尺度，然后对其进行正变换；第二步，用参与融合的 PAN 图像替代变换后的新的数据空间 的一个分量；第三步，逆变换到原来的空间从而得到结果图像[6]。基于 CS 的 Pan-sharpening 算法主要有 IHS 算法[14,15,18]、主成分分析（Principal Component Analysis，PCA）算法[16,18]、 GS（Gram-Schmidt）算法[17]及一些算法的变形，如 GIHS[19]、AIHS[20]、 GS-A（Gram-Schmidt Adaptive）算法[14]等。CS 融合方法是有吸引力的,因为它们快速而且容易实现,并且大多数时候能使用户的期 望得到满足,因为在大多数情况下它们得到的融合图像具有良好的视觉和几何质量。然而， CS 方法获得的结果高度依赖于波段之间的相关性，而且因为它们将相同的变换应用于整个图 像，所以它们不能把 MS 图像和 PAN 图像的局部差异考虑在内，容易造成光谱失真[21]。

（2）基于调制的 Pan-sharpening 方法

基于调制的 Pan-sharpening 方法利用的概念是 MS 图像乘以 PAN 图像和以一定方式合成 的合成图像之间的比例，将空间细节调制到 MS 图像中，合成图像就如一个具有较低的空间 分辨率的 PAN 图像一般[6]。基于调制的 Pan-sharpening 算法主要包括：Brovey[22,23]、SFIM[24]、 合成变量比例（Synthetic Variable Ratio ，SVR）[25]和高通滤波（High-Pass Filter，HPF）算 法[26]等。2000 年英国研究者提出的基于亮度调节平滑滤波（Smoothing Filter-based Intensity Modulation，SFIM）的算法不仅容易实现，而且空间失真和光谱失真较少。论文网

（3）基于多分辨率分析的 Pan-sharpening 方法

基于多分辨率分析（Multiresolution Analysis，MRA）的 Pan-sharpening 方法采用多尺度 分解方法如多尺度小波变换和拉普拉斯金字塔在不同的等级上分解多光谱和全色图像，然后 根据 PAN 图像和 MS 图像之间的关系得到应该被注入 MS 图像的空间细节，使得其空间细节 得到增强[6]。典型的基于 MRA 的方法有小波变换[27]、多孔小波变换（A trous Wavelet Transform， AWT）[28,29]，广义拉普拉斯金字塔（Generalized Laplacian Pyramid，GLP）[30-33]、Contourlet 变换[16]和添加小波亮度比例（Additive Wavelet Luminance Proportional，AWLP）的方法[34]等。

1983 年，Burt 提出了基于拉普拉斯金字塔（LP）的多分辨率分析[35]，随后出现了基于对 比度金字塔[36]、形态学金字塔[37]、梯度金字塔[38]等的 Pan-sharpening 算法。1993 年，Ranchin 等将离散小波[39]应用于 Pan-sharpening，因为进行小波变换时采用了下采样，容易丢失部分高 频信息，所以，Choi 提出了非下采样的 Curvelet 算法[40]，Mahyari 提出了非下采样的 Contourlet 算法[41]，Chaibani 则使用多孔小波[42]。