参考：Fusing China GF-5 Hyperspectral Data with GF-1,
GF-2 and Sentinel-2A Multispectral Data: Which
Methods Should Be Used?，Kai Ren
简介
中国的高分5号于2018年发射，他搜集的高光谱图像为330波段、分辨率为30米、条带宽度为60公里。光谱范围为400nm-2500nm，其中，VNIR的分辨率为5nm，SWIR的分辨率为10nm。与其他卫星相比，具有一定优势：
但是它的空间分辨率比较低，因此需要将它的数据与GF-1，GF-2 ，Sentinel-2A三个多光谱数据融合，在保持光谱分辨率的同时提高空间分辨率。
现今HS-MS融合主要分为4大类：
- 成分替代(CS)。基于cs的方法是基于投影变换的经典图像融合方法，典型的例子有强度-色彩饱和(IHS)、主成分分析(PCA)和Gram-Schmidt (GS)。
- 多分辨分析(MRA)。基于mra的方法来源于多分辨率分析，通过将MS数据的详细信息注入再采样HS数据，提高HS数据的空间分辨率;例如，“a trous”小波变换(ATWT)和抽取小波变换(DWT)。
- 基于子空间的方法。基于子空间的方法可以找到两个输入图像的公共子空间，通常可以利用机器学习提高HS数据的空间分辨率。其中主要包括基于非混合的算法如稀疏空间谱表示、基于贝叶斯的算法如基于Sylvester方程的快速融合以及基于深度学习的方法如双分支卷积神经网络。
- 基于颜色映射的方法。基于颜色映射的方法通过颜色映射提高HS数据的空间分辨率;例如，混合颜色映(HCM)。
上述方法在Yokoya论文中有详细介绍，然而其采用的是模拟数据，在真实情况中，问题会变得更加复杂。
数据
GSA
GSA的大体思想是通过计算HS和MS各波段之间的相关关系，转化为若干组MS-PAN的融合。通过矩阵变换，将MS转到其他特征空间，PAN经过直方图匹配后去替代MS里的某个分量。各组做好融合后，再将若干个MS’ ”拼接“起来成为HS’。
式中，HS^表示我们的target图，HS~表示上采样后的HS，下标表示第几个波段的矩阵。我们事先将HS波段分为m组，每组有n个波段。m=MS的波段数。m*n为HS的总波段数。把上面问题简化为MS-PAN：
gk=
wi由
计算，PL为下采样的PAN。
