高分辨率遥感图像融合方法的比较正式
遥感影像融合方法的比较与评价
遥感影像融合方法的比较与评价遥感影像数据融合是复杂的信息综合技术，会受到多种因素的制约。
用于融合的算法多种多样，不同融合方法的算法不同、侧重点不同，得到的影像融合结果（称为融合影像）也不同。
根据一定的评价指标，对不同融合方法进行评价，得知不同融合方法的优点与缺陷，就可以进一步选取在不同实际应用情况下的最优融合方法。
20世纪70年代，美国科学家提出了“影像融合”概念，随后建立了相关的影像融合技术并被应用到各个领域中。
1995年5月，在我国首次关于数据的专门研讨会上，才将数据融合技术列入国家重点研究项目[1-2]。
近年来，我国有很多学者在影像融合技术领域取得了卓越成果。
2000年，李德仁、王智基于遥感图像进行了小波变换，并将小波概念早期引入遥感融合技术中；2002年，何友等提出了遥感图像融合存在的问题以及发展现状；2011年，黄登山进行了像素级的遥感影像融合方法的研究；2017年，王恩鲁、汪小钦[3]讨论了遥感影像融合评价定量指标选取的问题。
国外学者研究最多的融合方法主要在像素级层面。
1990年，KIEFER R W 等使用HIS 变换，融合SPOT 多光谱遥感影像和全色波段遥感影像；1993年，RANCHIN T 等把小波变换的方法应用到影像融合上；2006年，NENCINI 等使用遗传算法，对全色波段遥感影像和多光谱遥感影像进行融合研究和分析，提出了特征层面和决策层面的融合方法[4]。
1遥感影像融合方法比较评价的研究数据与方法1.1数据源介绍本文选取郑州龙子湖区域的高分二号（GF-2）全色波段遥感影像与Landsat-8多光谱遥感影像进行融合。
两幅遥感影像的时像不同，其中GF-2全色波段遥感影像的成像时间为2017年5月25日，Landsat-8多光谱遥感影像的成像时间为2017年12月24日。
选取两幅影像的重合区域作为实验研究区域，统一投影坐标系为UTM-WGS84，投影带号为49，中央子午线经度为111°E 。
遥感图像处理中的图像融合方法与精度评价
遥感图像处理中的图像融合方法与精度评价遥感图像处理是一门研究如何获取、处理和应用遥感图像信息的学科。
遥感图像融合是其中的一个重要研究方向，它旨在通过将多个遥感图像融合为一个具有更高空间、光谱分辨率和更丰富信息量的图像，来提高遥感图像的解译和应用能力。
本文将探讨遥感图像融合的方法和精度评价。
一、遥感图像融合方法1. 传统融合方法传统的遥感图像融合方法主要包括像素级融合和特征级融合。
像素级融合是指将不同分辨率的遥感图像通过插值方法将其像素一一对应，然后对对应像素进行加权平均得到融合图像。
常用的插值方法有最邻近插值、双线性插值等。
这种方法简单易实现，但无法利用各个波段之间的相关性。
特征级融合是指通过提取多个图像的不同特征，然后将这些特征融合到同一个图像中。
常见的特征包括边缘信息、纹理信息、频谱信息等。
特征级融合方法可以更好地保留各个图像的特征，但对特征的提取和融合过程较为复杂。
2. 基于变换的融合方法基于变换的融合方法是指通过对多个遥感图像进行变换操作，然后将变换后的图像进行融合。
常见的变换包括小波变换、主成分分析、时频分析等。
小波变换是一种时频分析方法，可以将图像分解为不同频率和方向的小波系数。
通过对小波系数进行加权平均，可以实现遥感图像的融合。
小波变换融合方法能够提取图像的局部特征，能更好地保留图像的细节信息。
主成分分析是一种基于统计的方法，通过分析遥感图像的协方差矩阵，提取出图像的主要成分。
然后将这些主成分按照一定的权重进行线性组合，得到融合图像。
主成分分析融合方法可以更好地提取遥感图像的空间信息，对图像的纹理特征具有较好的保留效果。
以上只是其中的两种常见的基于变换的融合方法，实际上还有很多其他的方法，如独立分量分析、稀疏表示等。
二、图像融合精度评价图像融合精度评价是指对融合图像质量进行定量评估的方法。
常用的融合图像质量评价指标有以下几种：1.谱信息准确度谱信息准确度评价主要针对于融合图像的光谱特征，常用的指标有谱变异性、谱角等。
高分辨率遥感图像配准与拼接技术研究
高分辨率遥感图像配准与拼接技术研究高分辨率遥感图像配准与拼接技术是遥感领域中一项重要的技术，它能够将不同的遥感图像进行精确的对齐和拼接，从而形成连续的、无缝的遥感地图。
这项技术在土地利用规划、城市规划、资源监测等领域起着至关重要的作用。
本文将深入探讨高分辨率遥感图像配准与拼接技术的研究现状、方法和挑战。
首先，我们来了解高分辨率遥感图像配准的主要内容。
遥感图像配准是指通过识别图像中的控制点，并利用几何变换模型将图像进行对齐，以消除由于不同图像源、感应器及拍摄条件引起的图像间的位置错配问题。
高分辨率图像配准的目标是实现亚像素级的准确配准，以保证后续的拼接效果。
为了实现高分辨率图像配准，研究者们提出了各种方法。
其中最常用的方法是基于特征的配准方法。
该方法通过提取图像中的特征点，并计算这些特征点之间的相似度，从而实现图像的对齐。
特征点可以是角点、边缘点或斑点等，特征点之间的相似度可以通过计算它们之间的距离、灰度差异或相关性来评估。
基于特征的配准方法具有计算速度快、对光照变化不敏感等优点，因此被广泛应用于高分辨率遥感图像配准中。
除了基于特征的配准方法，研究者们还提出了其他配准方法，如基于相位相关的方法、基于变换模型的方法等。
这些方法在一定程度上解决了特征点匹配的问题，但仍然存在一些挑战。
例如，在图像存在较大旋转、平移或缩放等变换时，传统的配准方法往往不能达到理想的效果。
因此，如何提高配准方法的鲁棒性和准确性是当前研究的热点之一。
在高分辨率遥感图像配准的基础上，拼接技术的研究成为另一个重要的方向。
拼接是指将多幅配准后的高分辨率遥感图像进行融合，形成连续的、无缝的地图。
拼接技术不仅需要解决遥感图像间的亮度、色彩、尺度等差异，还需要解决图像边缘的平滑和边缘特征的保持等问题。
为了解决这些问题，研究者们提出了各种拼接方法，如基于像素的直接拼接方法、基于区域的拼接方法、基于多尺度的拼接方法等。
这些方法在一定程度上提高了拼接效果，但仍然存在一些挑战，如处理大尺寸高分辨率图像时的计算复杂度、避免拼接产生伪影等。
测绘技术中的遥感影像融合方法
测绘技术中的遥感影像融合方法遥感影像融合是测绘技术中的一项重要领域，通过将不同分辨率、不同频带的遥感影像进行融合，可以提高遥感数据的质量和分类准确度。
本文将从不同的角度，探讨几种常见的遥感影像融合方法及其在测绘技术中的应用。
一、基于像元级别的融合方法基于像元级别的融合方法是最常见且最基础的一种融合方法。
该方法通过直接对原始遥感影像进行像元级别的像素值操作，实现融合效果。
常见的方法包括加权融合、主成分分析融合和改进的拉普拉斯金字塔融合。
加权融合是一种简单且高效的方法，通过调整不同波段的权重来获得最终的融合结果。
这种方法适用于不同波段的影像融合，如多光谱遥感影像与高分辨率遥感影像的融合。
主成分分析融合则是将多光谱遥感影像转换为灰度图像，通过选择前几个主成分来实现融合。
改进的拉普拉斯金字塔融合方法是一种多尺度的融合方法，该方法通过对原始影像进行多次高斯滤波和下采样，得到不同分辨率的图像金字塔，再利用拉普拉斯金字塔进行融合。
这种方法可以保留原始影像的细节信息，并同时实现不同分辨率影像的融合。
二、基于特征提取的融合方法基于特征提取的融合方法是一种利用影像特征进行融合的方法。
这种方法通过提取不同波段或不同分辨率下的影像特征，并将其融合来实现更高质量的影像。
常见的基于特征提取的融合方法包括小波变换融合和人工神经网络融合。
小波变换融合是通过将不同波段的影像分解为低频和高频部分，然后融合低频和高频部分得到最终结果。
这种方法可以在保留影像细节的同时实现影像融合。
人工神经网络融合是一种利用神经网络模型进行影像融合的方法。
通过训练神经网络模型，可以从原始影像中提取更多的特征，并利用这些特征进行融合。
这种方法可以通过大量的训练数据来提高分类准确度和影像质量。
三、基于像素点的融合方法基于像素点的融合方法是一种通过像素点间的关系进行融合的方法。
这种方法将融合问题转化为最优化问题，并通过求解最优化问题来得到最终的融合结果。
常见的基于像素点的融合方法包括非负矩阵分解融合和支持向量机融合。
高分辨率卫星遥感立体影像处理模型与算法
高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。
高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。
如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。
本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。
本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。
接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。
这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。
本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。
本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。
本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。
二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。
这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。
高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。
传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。
同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。
立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。
如何进行遥感影像的数据融合
如何进行遥感影像的数据融合遥感影像数据融合是一种将不同分辨率、不同传感器所得到的遥感影像数据进行整合的技术方法。
这种方法可以充分发挥各种遥感传感器的优势, 提高遥感影像的质量和信息量，广泛应用于资源与环境监测、农业与林业管理、城市规划与地理信息系统等领域。
本文将探讨如何进行遥感影像的数据融合，以及融合技术的发展趋势。
一、遥感影像数据融合的原理遥感影像数据融合的原理主要基于多源遥感数据的互补性和融合效果的增益性。
不同传感器获取的遥感影像数据在分辨率、光谱特征和时间特性上存在差异。
通过融合这些数据，可以整合各种传感器的优势，提高遥感影像的质量和信息内容。
二、融合技术的方法1. 基于像素级的融合方法像素级融合方法是将不同传感器获取的遥感影像数据在像素级别上进行直接融合。
常见的方法有加权平均法、主成分分析法和像元转换法。
加权平均法通过给予不同传感器像素不同的权重，将不同传感器获取的影像数据加权平均得到融合后的影像。
主成分分析法是将不同传感器的影像数据进行主成分分析，提取出影像的主要特征，然后将这些特征进行融合。
像元转换法是通过建立传感器之间的数学模型，将一个传感器的影像数据转换成另一个传感器的影像数据，然后进行融合。
2. 基于特征级的融合方法特征级融合方法是将不同传感器获取的遥感影像数据在特征级别上进行融合。
常见的方法有小波变换法、频谱角法和时频分析法。
小波变换法是通过应用小波变换将影像数据分解成不同尺度的子带，然后将不同传感器的子带进行融合。
频谱角法是通过计算不同传感器影像数据的频谱角来评估它们在频域上的相似性，从而决定如何进行融合。
时频分析法是通过将不同传感器的影像数据进行时频分析，提取出影像的时频特征，然后将这些特征进行融合。
三、融合技术的发展趋势随着遥感技术的不断发展，数据融合技术也在不断更新和创新。
未来融合技术的发展趋势主要包括以下几个方面：1. 多源数据融合多源数据融合是未来融合技术的重要趋势。
测绘技术中的遥感图像纠正和融合方法
测绘技术中的遥感图像纠正和融合方法遥感图像的纠正和融合是测绘技术中的重要研究方向，具有广泛的应用价值。
本文将从遥感图像纠正和融合两个方面进行探讨，并介绍一些常见的方法和技术。
一、遥感图像的纠正方法1. 几何纠正几何纠正是指对遥感图像进行几何校正，使其与地理坐标系统相匹配。
常见的几何纠正方法包括地面控制点法和数字影像匹配法。
地面控制点法通过在图像上选择地物特征点，并与地面真实位置相对应，根据图像上的点与地面真值的差异进行几何变换，从而实现图像的几何纠正。
数字影像匹配法则是通过提取图像上的特征点，并与实际地面上的同名特征点进行匹配，然后根据匹配结果进行几何变换。
2. 辐射纠正辐射纠正是指对遥感图像进行辐射校正，消除光学、大气等因素对图像亮度和对比度的影响，使得图像能够真实反映地物的辐射特性。
常见的辐射纠正方法包括大气校正和辐射定标。
大气校正是通过模拟大气传输过程，根据测量的气象数据和大气传输模型，估算和减去大气散射和吸收对遥感图像的影响。
辐射定标则是通过将图像上的数字值转换为辐射度或反射率，以实现不同时间、不同传感器之间的数据比较和分析。
二、遥感图像的融合方法遥感图像融合是指将多个传感器获取的多源数据融合到一个整体图像中，以提供更全面、更准确的地物信息。
常见的遥感图像融合方法包括像素级融合和特征级融合。
1. 像素级融合像素级融合是通过将不同传感器获取的图像像素进行组合，生成具有更高分辨率、更丰富信息的图像。
常用的像素级融合方法包括加权平均法、主成分分析法和小波变换法。
加权平均法将不同传感器的图像按一定权重加权平均，得到融合后的图像。
主成分分析法是利用主成分分析对不同传感器的图像进行降维处理，然后通过反变换重构融合图像。
小波变换法则是利用小波变换对不同传感器的图像进行多尺度分解和重构，得到融合图像。
2. 特征级融合特征级融合是利用不同传感器获取的图像中的特征信息进行融合，提取和组合更全面、更准确的地物特征。
遥感图像融合方法
遥感图像融合方法遥感图像融合是指将来自不同传感器或不同波段的遥感图像进行融合，以获取更丰富的信息和更高的分辨率。
在遥感领域，图像融合技术被广泛应用于土地利用分类、环境监测、资源调查等领域。
本文将介绍几种常见的遥感图像融合方法，以及它们的优缺点和适用范围。
首先，基于像素级的遥感图像融合方法是最简单和常见的方法之一。
这种方法将来自不同传感器的图像进行逐像素的加权平均或逻辑运算，以获得融合后的图像。
这种方法的优点是简单易行，适用于大多数遥感图像。
然而，由于它忽略了图像的空间信息，导致融合后的图像质量较低，对细节的保留不足。
其次，基于特征的遥感图像融合方法通过提取图像的特征信息，如边缘、纹理等，然后将这些特征信息进行融合。
这种方法能够更好地保留图像的细节信息，提高融合后图像的质量。
然而，这种方法需要对图像进行复杂的特征提取和匹配，计算量较大，且对图像质量和几何精度要求较高。
另外，基于变换的遥感图像融合方法是利用变换域的方法对图像进行融合，如小波变换、PCA变换等。
这种方法能够更好地提取图像的频域信息，获得更高质量的融合图像。
然而，这种方法对图像的几何变换和配准要求较高，且需要较高的计算复杂度。
此外，基于深度学习的遥感图像融合方法是近年来的研究热点。
通过使用深度神经网络对图像进行端到端的融合，能够更好地提取图像的语义信息，获得更高质量的融合图像。
然而，这种方法需要大量的训练数据和计算资源，且对算法的调参和模型的选择要求较高。
综上所述，不同的遥感图像融合方法各有优缺点，适用于不同的应用场景。
在实际应用中，需要根据具体的需求和条件选择合适的融合方法，以获得最佳的效果。
希望本文能够对遥感图像融合方法有所了解，并为相关研究和应用提供参考。
- 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)。
包头师范学院本科学年论文论文题目：高分辨率遥融图像融合方法比较院系：资源与环境学院专业：地理信息系统学号：0912430022姓名：郭殿繁指导教师：同丽嘎撰写学年：2010 至2011 学年二零一零年十二月摘要：目前，遥感中高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。
本文通过对遥感影像四种融合方法的研究，并且用呼和浩特市快鸟影像图像融合举例，加深对四种融合方法的理解和理论应用，最后通过截取呼和浩特市快鸟影像的原始多波段彩色影像和原始高分辨率全色波段影像的一部分进行四种融合方法来进行精度的比较，以ENVI4.7软件作为平台，最终得出，Gram-Schmidt变换效果最好，HSV变换融合效果最差。
关键词：图像融合；PCA变换；Gram-Schmidt变换；Brovey变换；HSV变换；精度比较Abstract: At present, the remote sensing high resolution full-color remote sensing image and low spatial resolution multi-spectral remote sensing image fusion is image fusion technology application of mainstream. This article through to four kinds of remote sensing image fusion method with the principle and analysis, and in Hohhot, fast image image fusion for example, the bird to deepen the understanding of four fusion method and theory, and finally by intercepting the original image Hohhot fast bird multichannel color image and primitive high-resolution full-color band image on the part of four fusion method for precision compared to ENVI4.7 software as a platform to finally arrive, the best effect, Schmidt transform - the worst. Fusion result transformation HSV.Key words: image fusion, PCA transform; Schmidt transform; the - Brovey transform; HSV transform; Precision；目录中文摘要英文摘要1引言 (1)2四种融合方法的原理和分析 (2)2.1HSV变换 (2)2.2 Color Normalized(Brovey)变换 (3)2.3PC Spectral Sharpening变换 (3)2.4Gram-Schmidt Spectral Sharpening变换 (4)3四种融合方法的比较 (4)3.1四种融合方法应用举例 (4)3.2四种融合方法精度的比较 (5)4结束语 (5)参考文献 (6)致谢1引言随着遥感技术的迅速发展，如何有效利用不同传感器、不同时相及不同分辨率的多源数据成了遥感应用的瓶颈问题。
目前，高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。
其实质是将高分辨率影像空间特征与低分辨率影像多光谱特征组合成一幅影像，使融合后影像具有高空间分辨率，又具有丰富的光谱信息，达到影像增强目的[1]。
本文选用ENVI4.7软件作为遥感影像处理平台。
ENVI4.7新增了影像融合处理工具—SPEAR，SPEAR提供4种专门用于全色遥感影像与多光谱融合的算法，即PCA 变换、Gram-Schmid变换、Brovey变换和HSV变换。
通过具体举例来深入了解四种融合方法的应用，并且选取呼和浩特市快鸟影像的一部分融合影像作为实例来进行精度的比较。
2四种融合方法的原理和分析遥感影像融合的关键有两点：一是融合前影像的高精度配准；二是融合算法选择。
通常，只有将不同空间分辨率影像精确配准，才可能得到满意的融合效果。
影像配准包括相对配准和绝对配准，前者只是保证像元位置的一致性，以高空间分辨率影像为参照，作几何变换即可，后者是以地形图等为地理参照点，分别对高空间分辨影像和多光谱影像几何纠正及坐标配准，同时达到两种影像地理空间位置的绝对配准。
当然，影像配准主要是针对不同传感器获取的影像而言。
2.1HSV变换HSV变换可以进行RGB图像到HSV色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换到RGB色度空间。
输出图像的像元将于高分辨率数据的像元大小相同。
在图像处理中经常应用的彩色坐标系统(彩色空间)有RGB，HSV，HIS，YIQ 及USGSMunsell空间等。
计算机上显示的彩色图像一般用RGB颜色空间来表示和存储像素点的颜色信息，虽然RGB 有利于图像显示，但与人眼的感知差别很大，不符合人们的视觉习惯，不适合于图像分割和分析，因为R、G、B3个分量是高度相关的，只要亮度改变，3个分量都会相应改变。
而HSV空间中的3个分量H、S、V具有相对独立性，可分别对它们进行控制，并且能够准确定量描述颜色特征，更加符合人眼的感知特性，同时，从RGB 到HSV的转换是一个简单、快速的非线性变换。
因此，在遥感影像融合中，常常需要把RGB空间转换为HSV空间，在HSV空间融合不同分辨率的影像。
HSV变换先将多光谱影像进行彩色变换，分离出色度(H)、饱和度(S)、亮度(V)分量;然后，将高分辨率全色影像与分离的亮度分量进行直方图匹配；最后，将分离的色度和饱和度分量与匹配后的高分辨率影像按照HSV反变换，进行彩色合成。
由于直接采用全色影像替换多光谱影像的亮度分量，从而使HSV变换在增强多光谱影像空间细节表现能力的同时，也带来了较大的光谱失真[5]。
2.2Color Normalized (Brovey)变换Color Normalized(Brovey)变换方法对彩色图像和高分辨率数据进行数学合成，从而使图像锐化。
彩色图像中的每一个波段都乘以高分辨数据与彩色波段总合的比值。
函数自动的用最近邻、双线性或三次卷积技术将三个彩色波段重采样到高分辨率像元尺寸。
输出的RGB图像的像元将与高分辨率数据的像元大小相同。
Brovey变换融合又称比值变换融合，是一种比较简单的融合方法。
它只能而且必须同时对3个波段进行融合运算。
它将输入的遥感影像3个波段按照下列公式计算，获得融合以后各个波段的数值：Bi_new = [Bi_m/(Br_m+ Bg_m+Bb_m)]×B_hBi_new代表融合以后的波段数值(i=1，2，3)，Br_m，Bg_m，Bb_m分别代表多波段影像中的红、蓝、蓝波段数值，Bi_m表示红、绿、蓝3波段中的任意一个，B_h代表高分辨率遥感影像[2]。
2.3PC Spectral Sharpening变换PC Spectral Sharpening变换选项可以对具有高空间分辨率的光谱图像进行锐化，第一步，现对多光谱数据进行主成分分析；第二步，用高分辨率波段替换主成分波段，在此之前，高分辨率波段已经被缩放匹配到第一主成分波段，从而避免波普信息失真；第三步，进行主成分反变换。
函数自动的用最近邻、双线性或三次卷积技术将三个彩色波段重采样到高分辨率像元尺寸。
PCA (主成分分析)是在统计特征基础上进行的一种多维(多波段)正交线性变换，数学上称为K - L变换。
它将一组相关变量转化为一组原始变量的不相关线性组合的正交变换，其目的是把多波段的影像信息压缩或综合在一幅图像上，并且各波段的信息所作的贡献能最大限度地表现在新图像中[1]。
PCA变换在进行融合中有两种变换方法：一种是参与法(将参与变换的各波段，包括高空间分辨率影像数据在内，统一进行主分量变换，然后，再进行PCA逆变换)另一种是替换法，这也是目前PCA变换中最常用的方法。
融合时，首先根据多光谱影像间的相关矩阵计算特征值和特征向量；其次，将特征向量按对应特征值的大小从大到小排列并得到各主分量影像；再次，将高空间分辨率影像进行拉伸，使之与第一主分量具有接近相同的均值和方差；最后，用拉伸影像代替第一主分量，并将它与其余主分量做主分量逆变换即可得到融合影像[4]。
2.4Gram-Schmidt Spectral Sharpening变换Gram-Schmidt Spectral Sharpening变换可以对具有高分辨率的高光谱数据进行锐化。
第一步，从低分辨率的波谱波段中复制出一个全色波段；第二步，对该全色波段和波普波段进行Gram-Schmidt变换，其中全色波段被作为第一个波段；第三步，用Gram-Schmidt变换后的第一个波段替换高空间分辨率的全色波段；第四步，应用Gram-Schmidt反变换构成pan锐化后的波谱波段。
3 四种融合方法的比较3.1四种融合方法应用举例通过ENVI4.7软件对呼和浩特市快鸟影像的一部分进行融合、剪裁，把呼和浩特市原始的多波段的彩色图像（如图1）和呼和浩特市原始的高分辨率全色波段影像（如图2）进行融合，以ENVI4.7软件作为平台，进行Transform中的Image Sharpening进行Gram-Schmidt融合（如图3）、HSV融合（如图4）、PC影像融合（如图5）、Brovey融合（如图6）。
图1原始多波段彩色影像图2 原始高分辨率全色波段影像图3 Gram-Schmidt融合影像图4 HSV融合影像图5 PC融合影像图6 Brovey融合影像3.2四种融合方法精度的比较对于四种融合方法的精度比较，本文对上面的图3-6截取相同的部分进行比较，通过截取后的融合影像可见，通过截取后的PC融合影像（如图10）和GS 融合影像（如图8）的效果好，而经过截取图4的HSV融合影像（如图9），色彩比较鲜艳，是因为直接采用全色影像替换多光谱影像的亮度分量，从而使HSV 变换在增强多光谱影像空间细节表现能力的同时，也导致了较大的光谱失真。
相比PC融合影像和Gram-Schmid融合影像，Brovey变换后影像（如图7）光谱畸变很严重，可以得出Gram–Schmidt融合效果最好。