本文整理了基于深度学习的全色图像锐化（Pansharpening）的论文和代码资源，涵盖了有监督和无监督两种框架下的多种方法。有监督框架包括PNN、PanNet、TFNet、SIPSA-Net、GPPNN、GTP-PNet、PSGAN、SDPNet、SRPPNN、HMCNN、MDCNN、HyperTransformer、DPFN、DI-GAN和P2Sharpen等；无监督框架则包括PanGAN、BKL、UCNN、UPSNet、LDP-Net、MSGAN和UCGAN等。此外，文章还提供了相关论文的下载链接和代码资源，为研究者提供了全面的参考资料。 文章详细介绍了基于深度学习技术对全色图像进行锐化的多种方法，涵盖了有监督和无监督两种框架。在有监督框架中，研究者们开发了PNN、PanNet、TFNet、SIPSA-Net、GPPNN、GTP-PNet、PSGAN、SDPNet、SRPPNN、HMCNN、MDCNN、HyperTransformer、DPFN、DI-GAN和P2Sharpen等模型，这些模型在处理图像锐化任务时各有优势。例如，PNN模型通过端到端的方式直接从低分辨率的多光谱图像和高分辨率的全色图像中学习到一种映射关系，实现图像锐化效果；而HyperTransformer则可能利用深度学习框架下的自注意力机制来提高图像的空间分辨率。 另一方面，无监督框架下，研究者们提出了PanGAN、BKL、UCNN、UPSNet、LDP-Net、MSGAN和UCGAN等方法，这些方法不需要大量的标注数据即可进行图像的锐化处理，从而在某些情况下降低了资源消耗。无监督方法如PanGAN可能利用了生成对抗网络（GAN）的技术，通过竞争机制在训练过程中不断优化生成的全色图像的锐化质量，使其更加逼近真实情况。 该文章不仅提供了这些方法的理论框架，还提供了相应的可运行源码和论文下载链接，极大地便利了图像处理领域的研究者。这意味着研究人员能够通过实际操作来验证和改进这些模型，进而推进全色图像锐化技术的发展。 此外，源码的提供也表明了作者希望促进学术交流和研究合作的开放态度。在实践中，研究者可以利用这些代码包来实现全色图像的锐化，并通过对比不同的模型和框架来探究各种方法在性能上的差异。源码包内可能包含了模型训练、参数配置、数据预处理、评估指标计算和结果可视化等模块，为研究者提供了一个完整的实验平台。 文章强调了深度学习在全色图像锐化中的应用，着重介绍了当前这一领域中的主流技术和研究成果，展示了这一领域的研究深度和广度。同时，通过提供代码资源，文章也为实际应用和进一步的研究提供了便利，有力地支持了科研工作的持续性和发展性。

1.Roberts算子 2.Prewitt算子 4.Laplacian算子 5.总结代码

使用java语言实现图像的去噪（中值法，均值法，高斯滤波），图像的锐化，图像的强化，图像的简单切割

基于MATLAB的图像处理算法实现。包括拉普拉斯锐化处理和梯度锐化处理的MATLAB程序及处理示例图片。

Matlab图像锐化处理及边缘检测

图像锐化算法的研究与实现 采用三种以上算法

采用RGB模型和HIS模型对图像imageLane.bmp进行锐化，并比较锐化的效果是否相同（两锐化后的图像相减）。

数字图像锐化算法研究 图像锐化(2010-08-03 16:10:31)转载▼标签： 杂谈 分类： Matlab MATLAB全称是MatrixLaboratory(矩阵实验室)，一开始它是一种专门用于矩阵数值计算的软件，从这一点上也可以看出，它在矩阵运算上有自己独特的特点。实际运用中MATLAB中的绝大多数的运算都是通过矩阵这一形式进行的，这一特点决定了MATLAB在处理数字图像上的独特优势。理论上讲，图像是一种二维的连续函数，然而计算机对图像进行数字处理时，首先必须对其在空间和亮度上进行数字化，这就是图像的采样和量化的过程。二维图像均匀采样，可得到一幅离散化成M×N样本的数字图像，该数字图像是一个整数阵列，因而用矩阵来描述该数字图像是最直观最简便的。而MATLAB的长处就是处理矩阵运算，因此用MATLAB处理数字图像非常的方便。MATLAB支持五种图像类型，即索引图像、灰度图像、二值图像、RGB图像和多帧图像阵列；支持BMP，GIF，HDF，JPEG，PCX，PNG， XWD，CUR，ICO等图像文件格式的读、写和显示。MATLAB对图像的处理功能主要集中在它的图像处理工具箱(Image Processing Toolbox)中。图像处理工具箱是由一系列支持图像处理操作的函数组成，可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、二值图像操作以及形态学处理等图像处理操作口。 　　数字图像处理中图像锐化的目的有两个：一是增强图像的边缘，使模糊的图像变得清晰起来；这种模糊不是由于错误操作，就是特殊图像获取方法的固有影响。二是提取目标物体的边界，对图像进行分割，便于目标区域的识别等。通过图像的锐化，使得图像的质量有所改变，产生更适合人观察和识别的图像。 　　数字图像的锐化可分为线性锐化滤波和非线性锐化滤波。如果输出像素是输入像素领域像素的线性组合则称为线性滤波，否则称为非线性滤波。 　　 一、线性锐化滤波器 　　线性高通滤波器是最常用的线性锐化滤波器。这种滤波器必须满足滤波器的中心系数为正数，其他系数为负数。线性高通滤波器3×3模板的典型系数 　　如表1所示： 　　用线性高通滤波实现图像锐化的程序和图像如下： 　　i=imread('text.png'); %读入图像 　　g=[-1 -1 -1; -1 8-1; -1-1-1];%线性高通滤波3×3模板 　　h=double(i);%转化为double类型 　　j=conv2(h,g,'same');% 线性高通滤波进行图像滤波 　　subplot(1,2,1); 　　imshow(h);title('原始图像'); 　　subplot(1,2,2); 　　imshow(j);title('滤波后图像'); 　　二、非线性锐化滤波器 　　非线性锐化滤波就是使用微分对图像进行处理，以此来锐化由于邻域平均导致的模糊图像。图像处理中最常用的微分是利用图y像沿某个方向上的灰度变化率，即原图像函数的梯度。梯度定义如下： 　　(公式2.1) 　　梯度模的表达式如下： 　　(公式2.2) 　　在数字图像处理中，数据是离散的，幅值是有限的，其发生的最短距离是在两相邻像素之间。因此在数字图像处理中通常采用一阶差分来定义微分算子。 　　其差分形式为： 　　△xf=f(x+1,y)-f(x,y) 　　△yf=f(x,y+1)-f(x,y) 　　比较有名的微分滤波器算子包括Sobel 梯度算子、Prewitt 梯度算子和log算子，等等。 　　用Sobel 梯度算子、Prewitt 梯度算子和log算子实现图像锐化的程序和图像如下： 　　I=imread('coins.png');%读入图像 　　subplot(2,2,1),imshow(I);title('原图像');%显示原图像 　　H=fspecial('sobel'); %应用sobel算子锐化图像 　　I2=filter2(H,I); %sobel算子滤波锐化 　　subplot(2,2,2);imshow(I2); %显示sobel算子锐化图像 　　title('sobel算子锐化图像'); 　　H=fspecial('prewitt');%应用prewitt算子锐化图像 　　I3=filter2(H,I);%prewitt算子滤波锐化 　　subplot(2,2,3);imshow(I3); %显示prewitt算子锐化图像 　　title('prewitt算子锐化图像'); 　　H=fspecial('log'); %应用log算子锐化图像 　　I4=filter2(H,I); %log算子滤波锐化 　　subplot(2,2,4);imshow(I4);%显示log算子锐化图像 　　title('log算子锐化图像'); 　　三、结束语 　　本文就MATLAB在数字图像锐化处理方面进行了阐述、讨论。实验结果表明应用MATLAB进行数字图像处理具有理想的效果和很高的工程价值。当然，MATLAB图像处理工具箱中所提供的图像处理功能远不止这些。 　　可以说，MATLAB为数字图像处理提供了一种简单、快捷而又有效的方法，大大提高了数字图像处理的效率及效果并且应用到图像处理的各个方向。

计算Robert梯度方法为：只要分别以w1和w2为模板，对原图像进⾏滤波就可得到G1和G2； |G1|+|G2|的值即为Robert梯度； 程序同时给出了基于Robert交叉梯度化滤波实例，如有任何疑问，可私信博主

该Matlab程序计算了⼀幅图像的竖直和⽔平梯度，它们的和可以作为完整的Sobel梯度，并基于Sobel梯度的对图像进行了锐化。 如有疑问，可私信博主。