---
title: "全色銳化（Pansharpening）"
slug: pansharpening
language: zh-TW
source: https://aiterms.tw/terms/pansharpening
updated_at: 2026-06-26
tags: [電腦視覺, 深度學習, 資料處理, AI應用]
ipas_term: false
---

# 全色銳化（Pansharpening）

全色銳化是將高解析度全色影像與低解析度多光譜影像融合，生成高空間解析度且色彩豐富的多光譜影像。

## 完整說明

全色銳化是一種影像融合技術，將高空間解析度的全色影像與低空間解析度但光譜豐富的多光譜影像結合。它能夠生成兼具高空間解析度與豐富光譜資訊的合成影像，提升影像品質。常見應用包括遙感影像分析、地圖繪製、城市規劃、環境監測等，對於需要精確細節與光譜特徵的場景至關重要。

## 常見問題

### 全色銳化與影像增強有何不同？

影像增強是一個廣泛的概念，旨在改善影像的視覺品質或特定特徵，例如對比度調整、亮度校正、去噪等，不一定涉及解析度的提升。全色銳化則是一種特定的影像融合技術，其核心目標是將高空間解析度的全色影像與低空間解析度的多光譜影像結合，生成同時具備高空間解析度與豐富光譜資訊的影像。雖然銳化後的影像在視覺上會得到增強，但其本質是資訊融合而非單純的視覺調整。全色銳化是實現影像解析度提升的手段之一，而影像增強則涵蓋更廣泛的影像處理範疇。

### 如何評估全色銳化結果的品質？

評估全色銳化結果的品質需要綜合考慮空間保真度（Spatial Fidelity）和光譜保真度（Spectral Fidelity）。空間保真度衡量銳化影像的空間細節與原始高解析度全色影像的相似程度，常用指標包括相關係數、RMSE、邊緣檢測等。光譜保真度則衡量銳化影像的光譜資訊與原始低解析度多光譜影像的相似程度，常用指標有光譜角圖（SAM）、ERGAS、Q4等。理想的全色銳化應在提升空間解析度的同時，最小化光譜失真。通常會使用多種客觀指標結合視覺檢查來全面評估銳化效果，以確保結果既清晰又符合光譜特性。

### 深度學習在全色銳化中有哪些優勢和挑戰？

深度學習方法在全色銳化中展現出顯著優勢。它們能夠學習複雜的非線性映射關係，生成更自然、細節更豐富的銳化影像，並在保留光譜資訊方面表現優異，有效減少傳統方法常見的光譜失真問題。此外，深度學習模型對不同感測器和場景具有較好的泛化能力。然而，挑戰也同時存在。深度學習模型需要大量的成對訓練資料，這些資料通常難以獲取且標註成本高昂。模型訓練需要強大的計算資源，且模型的解釋性相對較差。此外，過度擬合、泛化能力不足以及對訓練資料偏差的敏感性也是需要克服的問題。

---

來源：https://aiterms.tw/terms/pansharpening
快查頁：https://aiterms.tw/terms/pansharpening
最後更新：2026/06/26
深度解說：https://aiterms.tw/learning/what-is-pansharpening