全色影像锐化(也称多光谱影像锐化)旨在获取高空间分辨率、高光谱分辨率的多光谱图像。近年来研究人员致力于全色影像锐化的研究,来融合出高空间分辨率、高光谱分辨率的多光谱图像。目前已有许多关于全色影像锐化的工作,但是存在问题是:一方面,传统的方法注入的细节特征存在冗余,这将导致融合图像颜色失真。另一方面,图像是一个存在空间关系的像素集合,而在传统的全色影像锐化中没有考虑其空间关系。本文主要针以上问题,研究了空间信息增强的全色影像锐化方法。具体内容如下:(1)设计了一种基于空间概率主成分分析(PRPCA)与非下采样轮廓小波变换(NSCT)的全色影像锐化方法。为了更好的挖掘多光谱图像之间的关系,本文引入空间概率主成分分析,来消除主成分变换隐含着其符合独立同分布的假设这一假设。通过超像素分割算法分割出多光谱图像上相似的结构块,并利用欧氏距离来构建这些相似结构块的空间关系矩阵;由于直接替换匹配后的全色图像,融合图像存在全色图像的冗余特征,我们使用NSCT分解PRPCA提取的第一主成分与全色图像的高低频部分,在实验中我们现其系数与周围系数之间也存在一定的关系,我们进一步提出一种新的基于局部能量的融合规则。实验结果表明:本文的方法对全色影像算法结果较传统方法在传统的方法在ERGAS指标有0.1-0.5的提升。(2)设计了一种基于多子带低秩分解的全色影像锐化算法。考虑到传统的成分替代算法中直接替换匹配后的全色图像,我们利用NSCT分解全色图像,获得其多尺度群,这样处理可以从多方向多尺度来更加准确的描述全色图像的特征,更进一步,我们利用矩阵低秩分解来分解多尺度群,这样处理可以减少全色图像的冗余信息,使其全色图像的特征更加准确;在低频部分,由于其包含着多光谱图像的光谱信息,我们利用光谱相关系数来表示其波段之间的比例,然后采用注入模型将其特征注入,来达到空间信息增强的目的。实验结果表明:本章提出的方法在视觉效果与质量指标上取得了较为可观的效果。(3)设计了一种基于混合残差自编码网络的全色影像增强算法。其中主要利用多层自编码器提取低分辨率全色图像与高分辨率全色图像的特征信息,在隐藏层构建其混合残差,然后利用注入模型将混合残差注入到多光谱图像的隐藏层成分中,达到空间信息增强的目的。通过与传统的全色影像锐化算法作对比,实验结果表明:此算法在视觉上有了较大的提升,其融合出来的细节更加丰富。