该代码对应于2016年的《Nonlinear IHS: A Promising Method for Pan-Sharpening》一文，属于多光谱与全色图像融合代码，也属于IHS方法的一个变种。

数据融合matlab代码多尺度深度CNN用于锐化 （1）该matlab代码包括两个用于MS和Pan图像融合的深层卷积网络的实现：MSDCNN：Q. Yuan，Y. Wei，X. Meng等，《遥感图像的多尺度和多深度卷积神经网络》。泛磨削[J]。 IEEE在应用地球观测与遥感中精选主题杂志，2018，11（3）：978-989。 DRPNN：Wei Y，Yuan Q，Shen H等。 关键词：学习深度残差网络，提高多光谱图像的锐化精度IEEE地球科学与遥感快报，2017，14（10）：1795-1799。 （2）在运行代码之前，您至少需要在设备上编译MatConvNet。 如果您想训练自己的模型，也建议使用Caffe和MatCaffe。 *当前提供的模型仅支持融合4波段的MS图像和1波段的PAN图像，例如QuickBird，IKONOS和Pleiades。 （3）如果您只想使用作者训练的模型来融合您的数据，请执行以下操作： 一种。 将您的matlab路径设置为此文件夹，然后添加所有子文件夹。 b。 将您的MS和Pan图像放在./testdata中，并使用它们的文件名替换文件“ Demo

在本文中，我们提出了一种用于全锐化的新的空间-黑森州特征引导变分模型，该模型旨在从低分辨率的MS图像和具有高空间分辨率和光谱分辨率的全锐化多光谱（MS）图像中获得高分辨率全色（PAN）图像。 首先，我们假设低分辨率MS图像对应于高分辨率全锐化MS图像的模糊和降采样版本。 由于全脸锐化的MS图像和PAN图像是同一场景的两个图像，因此全脸锐化的MS图像与PAN图像具有相似的几何对应关系。 为此，通过兴趣点检测将PAN图像和泛锐化的MS图像之间的几何对应关系学习为空间位置一致性。 其次，提出了一种新的基于图像空间Hessian特征的矢量Hessian Frobenius范数项，以约束PAN图像与泛锐化MS图像之间的特殊对应关系，以及泛锐化MS图像不同波段之间的内相关。 。 基于这些假设，提出了一种用于泛锐化的新型变分模型。 因此，在算子拆分框架下设计了一种针对所提出模型的有效算法。 最后，在模拟数据和真实数据上的结果都证明了该方法在产生具有高频谱质量和高空间质量的泛锐化结果中的有效性。

流行的强度-色相饱和度（IHS）泛锐化方法可以在遭受某些光谱失真的同时提供较高的空间质量，这主要是因为它无法估计准确的强度图像来替代IHS空间中的原始强度图像。 为了克服这一缺点，本文特别采用变分互补数据融合的建模思想，提出了一种在广义IHS（GIHS）变换域中采用变分Hessian转移的新型高效泛锐化方法。更准确的强度图像。 更具体地说，所提出的方法的新颖性在于在GIHS变换域中建立变分的Hessian传递模型，以将基于Hessian的全色（Pan）图像的空间几何信息传递到新的强度图像，同时考虑到保留光谱信息。 最后，实验结果证明了该方法的有效性，与某些最新方法相比，该方法具有更高的光谱和空间质量以及更高的效率。