摘要：随着遥感技术的发展，现有遥感卫星所能提供的低空间分辨率的多光谱图像与高空间分辨率的全色图像已经不能满足遥感图像的应用需求，多源遥感图像融合技术应运而生。融合图像不仅可以保留高的光谱分辨率特点，同时结合了高空间分辨率图像的空间信息，得到高空间分辨率的多光谱图像，增强其可理解性，具有重要的应用价值[6]。基于深度学习的Pansharpenging（多光谱与全色图像融合）方法已得到广泛关注，目前已有许多学者开展研究。本项目主要利用深度注意力网络，充分挖掘全色图像的空间信息，并结合多光谱的光谱信息，提高融合图像的质量。
一、PanSharpening的主要方法
PanSharpening 的方法主要分为以下三大类[5]：1、基于成分替代的方法；2、基于多分辨率分析的方法；3、基于模型的方法。
- 基于成分替代的图像融合
这类方法计算量小，难度低，易于实现，而且过程简便快捷，所以一直是图像融合算法应用的热门。
1.1基于IHS变换的融合方法
IHS变换是一种常用的空间变换方法[11]。IHS 分别表示亮度（intensity，I），色调（hue，H），饱和度（saturation，S），这是人眼识别颜色的三个重要特征。
基于 IHS 空间变换的图像融合方法，可以总结为以下步骤：
（1）利用 IHS 变换；
（2）直方图匹配得到新的强度分量 Inew；
（3）IHS 逆变换，得到融合后的 RGB 空间图像。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
