pansharpening方法总结很多传感器都可以同时获得全色影像及多光谱/高光谱影像，如SPOT、ETM+、IKONOS、OrbView、QuickBird等。其中，全色影像是指用以形成图像的电磁波谱范围从可见光到近红外的影像。当波段宽度变小，相应波段个数增加时，所获得的就是多光谱或高光谱影像。一般来说，多光谱指形成影像的波段个数为4-7个，当波段个数增加到成百上千时则被称为高光谱。由于传感器的设计原因，在空间分辨率和光谱分辨率中间会存在竞争关系，如全色影像在具有较高分辨率的同时，波谱范围较宽，即光谱分辨率较低，同理，多光谱或高光谱影像在具有较高光谱分辨率的同时会在空间分辨率上有所降低。如何在获得高光谱分辨率的同时保留高空间分辨率，以更充分地利用从传感器中获得的资源一直以来都是关注的热点。这种综合利用全色影像和多光谱影像，通过某种算法获得具有高空间分辨率的多光谱影像的技术，叫做全色锐化（Pansharpening），也叫做图像融合[1]。(一种像元层面的技术，利用PAN图像增加MS图像的空间分辨率)。Pansharpening的方法有很多，很早以前就有一些经典的方法被提出。如1980年Wongetal.[2]基于MSS图像各个通道每个像元的强度和SAR图像上相应像元值的关系，提出强度调制合成方法（IM），对Landsat多光谱扫描仪MSS和Seasat的SAR图像进行融合。1982年Haydnetal.[3]提出HIS转换方法，1988年Chavezetal.[4]利用一种叫做高通滤波（HPF）的方法对SPOT全色影像对LandsatTM影像进行锐化，除此以外较为经典的方法还有小波替换法(BT)、主成分替换法(PCS)等。近年来，广义拉普拉斯金字塔（GLP）、离散小波转换、轮廓波变换被广泛用于全色锐化，它们的基本思路是通过提取MS图像中没有的全色影像中的信息，再将它注入前者以达到提供啊多光谱影像空间分辨率的目的。除了上面提出的图像融合方法，还有一些全色锐化技术是基于数据的统计特征。如1987年Price最先提出基于遥感影像的统计特性的全色锐化方法，后来又有人提出空间自适应的方法[5]，这种方法显著的优点是可以引入不止一幅高空间分辨率的图像。另外一种应用广泛的基于数据统计特征的方法是贝叶斯框架下的全色锐化方法。从[7]以来，利用贝叶斯来提出的pansharping的方法有很多[13][14]；贝叶斯方法认为：LRMS和PAN为退化后的HRMS的模型，建模过程如下:1，对LRMS进行建模：y=gs(z)+ns2，对PAN进行建模：x=gp(z)+np它们满足如下公式：P(z∨x,y)=p(y,x|z)p(z)p(y,x)根据后验概率，就可以对HRMS图像z进行估计。贝叶斯方法的一个显著的优势就是将全色锐化问题变成一个清晰的概率问题，利用何种方法进行先验分布、条件分布及推导是贝叶斯全色锐化的关键，也是区分不同贝叶斯全色锐化的方法。下面列举这三个方面的主要研究方法。一，先验分配方法文献10假设p(z)正比于1，也就是认为在没有关于HRMS更多先验知识的情况下，各种情况可能出现的比例是一样的。文献7中，通过差值算子找出先验的信息和它的协方差矩阵，可以充当均值和方差；在文献12中，由于已知关于每个波段的目标光照度分布方面的先验，因此用了一个同步自回归模型CAR来作为HRMS图像z的先验:p(z)=∏b=1Bp(zb)∝∏b=1Bexp{−12ab¿∨Czb∨¿2}。二，条件概率分布p(y,x|z)为简化退化模型，通常假设给定HRMS后LRMS和PAN是独立的，此时条件概率分布为：p(y,x|z)=p(x|z)p(y|z)，而Fasbenderetal.[10]认为LRMS和PAN图像包含信息质量是不同的，引进权重w，条件概率公式变成p(y,x|z)=p(x|z)2wp(y|z)1−2w下面分别对p(x|z)和p(y|z)分别进行介绍.（1）p(y|z)：可以简单地认为gs(z)=z，所以y=z+ns，ns~N(0，∑ｓ❑¿；更多人[37][11]认为：y=HZ+ns,其中Hz是个矩阵，由MTF等决定，ns是满足均值为0，方差为1/β的高斯分布，得到LRMS的条件概率分布如下所示:p(y∨z)∝exp{−12βx∨¿y−Hz∨¿2}（2）p(x|z)全色图像退化模型中的gp(z)可被认为是联系最终HRMS和全色PAN图像的线性回归模型，因此有：gp(z)=a+∑b=1Bλbzb这个模型被IHS,PCA和Broveymethods等许多图像采用（如82,38,76,11都用到这个公式的特殊形式a=0）。其中回归参数λb，b=1,2…B，可以从传感器的光谱特征中获得，用以衡量PA...
