改进的基于稀疏表示的全色锐化算法
图像去噪中的稀疏表示算法与技巧
图像去噪中的稀疏表示算法与技巧图像去噪是数字图像处理中的一个重要问题，它的目标是从图像中去除噪声，以提高图像的质量和清晰度。
在实际应用中，图像往往受到各种因素的干扰，如传感器的噪声、图像采集过程中的不完美以及信号传输的失真等。
这些因素导致了图像中的噪声，降低了图像的质量。
因此，图像去噪一直是数字图像处理领域的研究热点之一。
稀疏表示算法是一种常用于图像去噪的方法。
其基本思想是通过寻找一组稀疏基向量来表示图像，将噪声和信号分离开来。
稀疏表示的概念源于信号处理中的一系列理论与算法，如小波变换、压缩感知等。
通过将图像表示为稀疏基向量的线性组合，可以将图像中的噪声部分抑制住，从而实现图像去噪的目标。
在稀疏表示算法中，要实现图像去噪，首先需要构建一个稀疏表示模型。
常用的稀疏模型包括正交匹配追踪(OMP)、基追踪(MP)和稀疏编码(L1范数最小化)等。
这些模型在理论上和实践中都被证明是有效的图像去噪方法。
通过这些算法，可以提取出图像中的稀疏特征，并用于构建稀疏表示模型。
除了稀疏模型之外，稀疏约束也是图像去噪中的一个重要问题。
稀疏约束是指通过增加额外的稀疏性要求，来提高求解稀疏表示问题的精确度和鲁棒性。
常见的稀疏约束方法包括多尺度稀疏约束、结构稀疏约束等。
这些约束能够减小误差的影响，提高了图像去噪的效果。
在实际应用中，为了提高图像去噪的效果，可以采用一些技巧和优化方法。
可以通过调整稀疏度参数来控制稀疏表示的效果，以达到更好的去噪效果。
可以利用先验知识或者模型来引导稀疏表示的过程，使得稀疏模型更加符合实际情况。
例如，可以针对特定场景或者特定噪声类型进行先验模型的训练和更新。
可以结合其他图像去噪方法，如小波变换、总变差正则化等，以进一步提高去噪效果。
图像去噪中的稀疏表示算法是一种常用且有效的方法。
通过构建稀疏表示模型和应用稀疏约束，可以从图像中去除噪声，提高图像的质量和清晰度。
在实际应用中，我们还可以通过调整参数、引入先验知识以及结合其他方法等，进一步优化去噪效果。
基于改进稀疏编码的图像超分辨率算法
基于改进稀疏编码的图像超分辨率算法盛帅;曹丽萍;黄增喜;吴鹏飞【期刊名称】《计算机应用》【年(卷),期】2014(034)002【摘要】针对传统基于稀疏字典对的超分辨率(SR)算法训练速度慢、字典质量差、特征匹配准确性低的缺点,提出一种基于改进稀疏编码的图像超分辨率算法.该算法使用自适应阈值的形态组成分析(MCA)方法提取图像特征,并采用主成分分析算法对训练集进行降维,提高特征提取的有效性,缩短字典训练时间,减少过拟合现象.在字典训练阶段,使用改进的稀疏K-奇异值分解(K-SVD)算法训练低分辨率字典,结合图像块的重叠关系求解高分辨率字典,增强字典的有效性和自适应能力,同时极大地提高了字典的训练速度.在Lab颜色空间对彩色图像进行重建,避免由于颜色通道相关性造成的重建图像质量下降.与传统方法相比,该算法重建图像质量和计算效率更优.【总页数】6页(P562-566,571)【作者】盛帅;曹丽萍;黄增喜;吴鹏飞【作者单位】四川大学计算机学院,成都610065;四川大学图书馆,成都610065;四川大学计算机学院,成都610065;四川大学计算机学院,成都610065【正文语种】中文【中图分类】TP391.41【相关文献】1.基于稀疏编码和随机森林的多帧图像超分辨率算法 [J], 包莹莹;王华君;徐燕华;徐平平2.基于改进MnasNet网络的低分辨率图像分类算法 [J], 杨国亮;朱晨;李放;吴志刚3.基于改进残差网络的单幅图像超分辨率重建算法研究 [J], 蔺国梁4.基于改进残差网络的单幅图像超分辨率重建算法研究 [J], 蔺国梁5.基于改进稀疏编码模型的图像分类算法 [J], 唐峰;孙锬锋;蒋兴浩;陆欢因版权原因，仅展示原文概要，查看原文内容请购买。
基于稀疏表示的彩色图像超分辨率重建算法
张琼等：基于稀疏表示的彩色图像超分辨率重建算法
基于稀疏表示的彩色图像超分辨率重建算法
张琼 ，付怀正 ，沈民奋
1) 2) 3) 1) 2) 3)
（广东省数字信号与图像处理技术重点实验室, 汕头 515063）
1)
（中国科学技术大学电子科学技术系 安徽合肥 230026）
摘
要：本文针对图像降质过程，结合人眼视觉特性，提出一种基于稀疏表示的彩色图像超分辨率重建算法。对
[3-6]
96
第十五届全国图像图形学学术会议
深入分析的基础上，提出自适应正则化参数选取方 法，并引入了一种可以快速构造超完备字典的稀疏 编码算法，实现图像快速有效的超分辨率重建。
为解决邻近块之间的兼容性，按照光栅扫描的顺序 选取 y。要使超分辨率重建 Dhα (Dh 为与 Dl 对应的 高分辨率字典)和先前得到的高分辨率邻近块保持 一致，需将式 (3)修改：
一种改进KSVD的图像稀疏表示方法
一种改进KSVD 的图像稀疏表示方法引言图像稀疏表示是一种基于信号稀疏性的核心思想，用于解决图像处理中的诸多问题。
它在图像处理领域得到了广泛的应用，例如图像去噪、图像压缩、图像分类和图像分割等等。
许多图像稀疏表示方法已被提出，其中KSVD 算法是一种非常成功的方法，它通过学习一个字典来实现图像的稀疏表示。
然而，KSVD 算法在处理高维度图像时可能会出现一些问题，这些问题影响了KSVD 的表现。
因此，我们需要改进KSVD 算法，以改善其性能。
本文的主要目的是介绍KSVD 算法的改进方法，并通过实验结果来分析这些改进。
在本文中，我们首先讨论了KSVD 算法的基本原理和不足之处，然后介绍了三种改进KSVD 算法的方法，并讨论了这些方法的优劣。
最后，我们进行了实验验证，以评估这些改进的性能，并对实验结果进行了讨论和分析。
KSVD 算法的基本原理KSVD 算法是一种基于字典学习的图像稀疏表示方法，它利用了信号的稀疏性质。
它的基本原理是学习一个字典，使得字典中的原子可以准确地表示信号。
在这个算法中，每个信号都可以用字典中的若干原子的线性组合来表示，因此，通过寻找最适合的原子，我们可以得到一种有效的信号稀疏表示方法。
KSVD 算法通过迭代的方式，不断更新字典和稀疏系数。
在每一次迭代中，首先利用当前字典和信号计算出每个信号的稀疏系数，然后根据这些系数更新字典。
在更新字典的过程中，首先选取一个信号，然后通过一系列的更新步骤，将字典中的某个原子替换为这个信号的一个新原子。
这个过程重复进行，直到字典中的原子不再发生重要变化或者达到最大迭代次数为止。
KSVD 算法的不足之处虽然KSVD 算法已被证明在许多应用中是非常有效的，但也存在一些缺点，尤其在处理高维度图像时更为突出。
以下是KSVD 算法的一些不足之处：1.慢速KSVD 算法在处理高维度图像时可能需要处理大量的线性方程组，这需要在每次迭代中进行多次矩阵计算。
这种方法过于耗时，因此在大规模图像处理中不太实用。
基于改进的特征提取方法和稀疏表示的单幅图像超分辨率重建算法
图形 图像
对 比 了对 图像 块 特 征 提 取 的 方 法 ．采 用 了高 斯 平 滑 的
分 别 从 对 应 的 位 置 提 取 图 像 块 ．形 成 块 的 训 练 集 Ｐ ＿
ｋ
，
拉普拉斯算子 。 更有效地 提取边缘高频特征 ． 充分利用 图像的先验特征 ． 从而提高了重建图像 的质量
ｋ
） 。
（ ３ ） 对 进 行 主 成 分 分 析 （ Ｐ Ｃ Ａ） ， 降 低 特 征 的 维
泛应用 于远程 监控 、 军 事侦察 、 医疗 图像等 领域 ， 有广 阔的前景 。因此 ， 近三十来 ， 超分辨率重建 技术引起 了 图像 处理界 的广泛关 注 目前主流 图像 的超分 辨率重
建 方 法 主要 分 为 三 大 类 。 第一类是基于插值【 ２ ＿ 引 的方 法 ： 主要 是 通 过 临 近 的像 素 点 进 行 加 权 来 预 估 插 值 点 的 像 素， 这类算 法 的复杂度较 低 ， 试 用 于 简 单 的场 景 ， 但 是 在 图 像 的 边 缘 会 产 生 显 而 易 见 的 伪 影 ：第 二 类 是 基 于 重 建［ ４ 的方 法 ： 这 类 方 法 集 中 探 索 重 建 图像 的 先 验 知
关键词 ：
图像 的 超 分 辨 重 建 ； 过 完 备 字典 ； 高斯 ｐ ｌ ａ ｃ ｅ
０ 引言
图 像 的 超 分 辨 重 建 是 利 用 一 幅 或 多 幅 低 分 辨 图像 构建出高分辨图像的技术［ １ 】 图像 的超 分 辨 重 建 技 术 广
端 的学 习 目前 研 究 的 主 要 热 点 集 中 于 由 Ｙ ａ ｎ ｇ ［ １ ２ １ 等 人在 ２ ０ ０ ８年 提 出 的基 于 稀 疏 表 示 的 图 像 的超 分 辨 重 建技术 。 这种技术基于压缩感知理论 ． 假 定 图像 块 能够 由字 典 中 的少 数 原 子 线 性 表 示 根 据 这 种 思 想 ． Ｙ ａ ｎ ｇ 等 人 提 出首 先 基 于训 练 集 合 分 别 学 习 高 、低 分 辨 率 过
稀疏表示算法在图像处理中的应用研究与优化
稀疏表示算法在图像处理中的应用研究与优化简介：稀疏表示算法是一种基础的数学工具，广泛应用于图像处理领域中。
其通过将信号表示为原子的线性组合，通过寻找最稀疏的表示方式来获得有关信号的重要信息。
本文将探讨稀疏表示算法在图像处理中的应用研究，并讨论一些优化技术。
第一部分：稀疏表示算法简介稀疏表示算法是一种基于线性代数的算法，其基本思想是通过信号的最稀疏表示来获得有关信号的有用信息。
在图像处理中，我们可以将图像看作是一个信号，利用稀疏表示算法来提取图像的特征。
第二部分：图像压缩与重构稀疏表示算法可以应用于图像压缩与重构任务。
通过将图像表示为原子的线性组合，我们可以找到最稀疏的表示方式，并用较少的原子来表示整个图像。
这样可以大大减少图像的存储空间，同时保持图像的信息完整性。
在重构过程中，我们可以利用已知的原子来恢复出完整的图像。
第三部分：图像去噪稀疏表示算法在图像去噪任务中也发挥着重要的作用。
通过寻找最稀疏的表示方式，我们可以将图像中的噪声部分与信号部分分离开来，并进一步去除噪声。
这种方法在处理低质量图像或者噪声较多的图像时具有很好的效果。
第四部分：图像识别在图像识别领域，稀疏表示算法可以应用于特征提取和分类任务中。
通过将图像表示为原子的线性组合，我们可以得到图像的重要特征，然后利用这些特征进行分类。
这种方法在人脸识别、物体识别等任务中取得了很好的效果。
第五部分：稀疏表示算法的优化虽然稀疏表示算法在图像处理中具有广泛的应用，但是其计算复杂度较高，需要耗费大量时间和计算资源。
因此，对算法进行优化是必要的。
一种常用的优化技术是字典学习，即通过自适应地学习原子字典，来提高稀疏表示算法的效率和准确性。
另外，基于图像特性的加速方法也可以应用于稀疏表示算法的优化。
第六部分：总结与展望稀疏表示算法在图像处理中的应用研究已经取得了很多进展，并在图像压缩、图像去噪和图像识别等领域展示了其强大的能力。
然而，稀疏表示算法仍然存在一些问题和挑战，例如计算复杂度和字典学习的效果等。
基于稀疏表示的高性能数字放射摄像图像恢复算法
基于稀疏表示的高性能数字放射摄像图像恢复算法摘要：数字放射摄像（DR）技术已广泛应用于医学成像领域，但由于放射剂量限制和硬件限制，DR图像常常受到噪声和伪影的影响。
为了提高DR图像的质量，本文提出了一种基于稀疏表示的高性能DR图像恢复算法。
该算法利用稀疏表示理论，将DR图像恢复问题转化为稀疏系数的求解问题，通过优化求解方法，减少了噪声和伪影对图像的影响，从而实现了DR图像的高质量恢复。
1. 引言数字放射摄像技术是一种非侵入性的医学成像技术，广泛应用于临床医学诊断中。
然而，由于放射剂量限制和硬件限制，DR图像往往受到伪影和噪声的干扰，影响了图像的质量和信息提取的准确性。
因此，开发一种高性能的DR图像恢复算法对于提高医学成像的效果具有重要的意义。
2. 稀疏表示理论稀疏表示理论是一种信号处理中常用的方法，该方法利用信号在一组基中的稀疏表示，通过最小化稀疏系数的L1范数来获得原始信号的近似重建。
这种方法在图像恢复领域有广泛的应用，并且已经得到了很好的效果。
3. 算法设计基于稀疏表示的高性能DR图像恢复算法主要包括以下几个步骤：稀疏表示字典的构建、稀疏系数的求解和图像重建。
3.1 稀疏表示字典的构建稀疏表示字典是基于已有的DR图像样本构建的，通过对图像样本进行压缩感知算法获得高质量的稀疏图像，进而构建字典。
在构建过程中，需要选择合适的压缩感知算法和参数设置，并通过迭代更新字典，使其能够更好地表示图像中的结构信息。
3.2 稀疏系数的求解对于给定的待恢复的DR图像，将其分解为稀疏表示的线性组合形式，即原始图像可以表示为字典矩阵D和稀疏系数矩阵X的乘积。
通过求解稀疏系数矩阵X，即可获得原始图像的稀疏表示。
3.3 图像重建通过已获得的稀疏系数矩阵X和稀疏表示字典D，可以根据重建公式恢复原始图像。
重建公式是通过对稀疏系数矩阵X进行逆变换得到的，该逆变换可以通过稀疏表示字典D的伪逆来实现。
最终，可以得到高质量的DR图像恢复结果。
基于稀疏表示的高分辨率图像恢复方法
基于稀疏表示的高分辨率图像恢复方法随着科技的不断发展，我们的生活也越来越离不开数字图像。
无论是在个人娱乐还是商业应用中，图像的清晰度和质量都是至关重要的。
然而，由于种种原因，如相机设备和环境条件等，有些图像可能会失去一些细节和清晰度，而这些问题又会给人们造成不便。
为了解决这些问题，学者们一直在努力研究怎样利用现有的信息技术来恢复图像的质量。
在不断尝试之后，他们发现了一种新的方法——基于稀疏表示的高分辨率图像恢复方法。
一、稀疏表示的概念介绍在理解高分辨率图像恢复方法之前，我们需要先了解“稀疏表示”的概念。
在数学中，一个向量或矩阵被称为“稀疏”，是指这个向量或矩阵的很多元素都为零，只有很少一部分元素是非零的。
而“稀疏表示”是指将一个向量或矩阵用尽可能少的非零元素的线性组合来表示，这些非零元素被称为“基向量”。
稀疏表示能够有效地将信号的信息压缩，同时也能够使数据更易于处理和分析。
二、基于稀疏表示的高分辨率图像恢复方法基于稀疏表示的高分辨率图像恢复方法是一种通过使用“字典”和“稀疏编码”技术来恢复图像质量的方法。
所谓“字典”，就是由一组基向量构成的一个矩阵，这些基向量需要独立、不相关且具有一定的鲁棒性。
而“稀疏编码”则是将每个输入图像块用字典中的基向量表示，利用少量的基向量，能够使重构出的块具有与原图块相似的结构。
最终，通过对整张图像的每个块进行重构，就能够得到更加清晰、真实的高分辨率图像。
三、方法的优点与应用基于稀疏表示的高分辨率图像恢复方法是一种非常有效的方法。
与传统的插值方法相比，它能够充分利用已有的信息，从而在密集采样或低分辨率下恢复清晰的高分辨率图像。
与其他图像重建技术相比，在噪声和失真的情况下，它的效果也非常出色。
这种方法广泛应用于医学成像、地质勘探、无损检测和卫星图像处理等领域。
四、发展趋势和应用前景随着数字图像技术的发展，基于稀疏表示的高分辨率图像恢复方法也在不断发展。
学者们致力于进一步研究和优化字典的构建、扩大训练数据集和改进算法，以提高重建图像的质量和准确率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
改进的基于稀疏表示的全色锐化算法作者：吴宗骏吴炜杨晓敏来源：《计算机应用》2019年第02期摘要：为了更有效地结合高分辨率全色（PAN）图像细节信息和低分辨率多光谱（MS）图像光谱信息，提出了一种改进的全色锐化算法。
首先，对低分辨率MS图像的强度通道进行下采样再上采样获取其低频成分;其次，用强度通道减去低频成分获取其高频成分，在获取到的高低频成分中进行随机采样来构建字典;然后，用构建好的过完备字典对高分辨率PAN图像进行分块分解以获取高频信息;最后，将分解出的高频信息注入到低分辨率MS图像中以重建高分辨率MS图像。
经多组实验后发现，所提出的算法在主观上保留了光谱信息，并注入了大量的空间细节信息。
对比结果表明，相比其他诸如基于成分替换算法、基于多分辨率分析算法、基于稀疏表示算法，所提算法重建出来的高分辨率MS图像更加清晰，且在相关系数等多种客观评价指标上优于对比算法。
关键词：高分辨率全色图像;低分辨率多光谱图像;遥感图像融合; 稀疏表示; 字典构建中图分类号： TP751.1文献标志码：AAbstract： In order to more effectively combine the detail information of high resolution PANchromatic （PAN） image and the spectral information of low resolution MultiSpectral （MS）image， an improved panchromatic sharpening algorithm based on sparse representation was proposed. Firstly， the intensity channel of an MS image was down-sampled and then up-sampled to get its low-frequency components. Secondly， the MS image intensity channel minus low-frequency components to obtain its high-frequency components. Random sampling was performed in the acquired high and low frequency components to construct a dictionary. Thirdly， the PAN image was decomposed to get the high-frequency components by using the constructed overcomplete dictionary. Finally， the high-frequency components of the PAN image were injected into the MS image to obtain the desired high-resolution MS image. After a number of experiments， it was found that the proposed algorithm subjectively retains the spectral information and injects a large amount of spatial details. Compared with component substitution method， multiresolution analysis method and sparse representation method， the reconstructed high resolution MS image by the proposed algorithm is more clear， and the correlation coefficient and other objective evaluation indicators of the proposed algorithm are also better.Key words： high resolution PANchromatic （PAN） image; low resolution MultiSpectral （MS） image; remote sensing image fusion; sparse representation; dictionary construction0 引言目前，大量衛星获取了地球的地表图像信息，通常包含多光谱（MultiSpectral， MS）图像和全色（PANchromatic， PAN）图像，这两种图像优缺点互补。
由于技术的限制，想要获取高空间分辨率多光谱（High spatial resolution MultiSpectral， HMS）图像是一件十分困难且成本高昂的事，所以人们通常将MS图像和PAN图像两者融合起来以便获取想要的HMS图像。
HMS图像不仅具有大量的细节信息，而且还包含了丰富的光谱信息，对于人类理解地球，进行地表测绘、军事侦查、城市规划等具有重要帮助，所以对遥感图像进行融合是一项十分重要且有意义的课题。
对于MS图像和PAN图像的融合，国内外的研究者已经提出了很多行之有效的算法，这些融合算法大体上可以分为三类：一类是比较传统的基于成分替换的算法;一类是基于多分辨率分析的算法;还有一类是近年来新兴的基于稀疏表示的算法。
基于成分替换的算法比较经典，比较有代表性的是基于IHS（Intensity， Hue，Saturation）颜色空间变换的全色锐化算法[1-6]，此类算法主要的做法是先将MS图像从RBG （Red， Blue， Green）颜色空间变换到IHS颜色空间，然后用PAN图像替换通道，最后通过相应的反变换来得到HMS图像。
此类算法简单且高效，但在取得良好的锐化效果的同时也会带来严重的光谱混叠从而引起颜色失真，具有一定的局限性。
此类算法的代表算法有：改进的自适应强度色调饱和度遥感影像融合算法（Improved Adaptive Intensity-Hue-Saturation method for the fusion of remote sensing images， IAIHS） [5]、用抠图模型进行锐化（Pansharpening with Matting Model， PMM） [7]的算法。
基于多分辨率分析的算法则是利用小波变换[8-12]、拉普拉斯金字塔[14-15]、双边滤波器[16]等来提取PAN图像的高频部分，并将其融入到MS图像中去构建出HMS圖像。
不同于成分替换的算法，基于多分辨率的算法可以较好地减少融合图像的光谱失真，但该算法仅仅能提取出一种结构的空间细节信息，故该算法的锐化结果有时会出现空间畸变。
此类算法的代表算法有：基于àtrous小波变换的锐化算法（àtrous WaveLet transform-based Pan-sharpening，AWLP）[9]和基于多尺度映射LS-SVM的遥感图像融合（remote sensing image fusion using multiscale mapped LS-SVM， SVT）[13]。
近年来，稀疏表示理论的完善使基于稀疏表示的方法得到良好的发展。
Li等[17]首次应用了稀疏表示技术来解决全色锐化问题，但由于需要用到HMS图像进行字典的构建，而HMS图像在现实生活中是不存在的，所以算法并不具有可行性。
此类算法的代表算法有：基于压缩感知的遥感图像融合算法（new PAN-sharpening method using Compressed Sensing， CS） [17]和基于稀疏表示的细节注入锐化（Sparse Representation Based Pansharpening with details injection model， SRBP）算法[18]。
综上所述，本文的研究有以下三个核心点：1）在取得良好锐化效果的同时避免引起颜色失真;2）在取得良好锐化效果的同时避免出现空间畸变;3）充分利用已有的信息去构建相关字典。
在前人基于稀疏表示的图像融合算法基础上，本文提出了一种改进的基于稀疏表示的图像全色锐化算法。
该算法采用MS图像来构建一对高低频字典，并用该字典对PAN图像进行分解得到高频成分，将分解出来的高频成分融入到MS图像中进而重建得到HMS图像。
相比前面介绍的三类图像融合算法，本文算法在主观上保留了光谱信息，同时还注入了大量的空间细节信息，重建出的高分辨率多光谱图像更加清晰，而且在客观评价指标上也优于对比算法。
1 本文方法1.1 技术框架为了使本文算法理解起来更加直观，首先给出本文算法的技术框架如图1所示。
算法的主要步骤为：1）获取MS图像训练集的图像强度（Intensity， I）通道;2）对图像I 通道进行下采样后上采样获取图像I通道的低频成分;3）利用原始的图像I通道减去图像I通道的低频成分获得图像I通道的高频成分;4）对图像I通道的高低频成分进行随机采样构建高低频字典;5）利用高低频字典对PAN图像进行分解以获得PAN图像的高频成分;6）将PAN图像的高频成分与MS图像相融合重建出HMS图像。
3 结语本文在图像融合这一领域，针对以往的全色锐化算法所引起的颜色失真、空间畸变以及不能充分利用已有信息去构建相关字典的问题，提出了一种改进的基于稀疏表示的全色锐化算法。
本文算法首先利用已有的MS图像构建高低频字典，并对PAN图像进行分解，在分解完毕后考虑到分解出来的低频成分中仍会有高频成分的残留，又再度对第一次分解出来的低频成分进行二次分解得到了新的高频成分，最后将这两种分解出来的高频成分融入到MS图像中去，进而构建出所需要的HMS图像。
本文验证了用MS图像来构建高低频字典的实用性，以及使用MS图像所构建的字典来分解PAN图像可以获得更加符合MS图像光谱特性的空间细节信息，进一步减少锐化结果的光谱失真。
通过实验结果发现，本文算法所构建出来的融合图像主观上比其他算法所构建出来的图像在光谱（也就是颜色）上不会有较大的失真，并且可以很好地还原HMS图像的细节信息;而在客观上各项评价指标相比其他算法均是最优或次优。
这说明本文算法所构建出来的融合图像在颜色和细节信息上更加清晰且与参考的HMS图像契合度更高。