Pan-sharpening methods are commonly used to synthesize multispectral and panchromatic images. Selecting an appropriate algorithm that maintains the spectral and spatial information content of input images is a challenging task. This review paper investigates a wide range of algorithms, including 41 methods. For this purpose, the methods were categorized as Component Substitution (CS-based), Multi-Resolution Analysis (MRA), Variational Optimization-based (VO), and Hybrid and were tested on a collection of 21 case studies. These include images from WorldView-2, 3 & 4, GeoEye-1, QuickBird, IKONOS, KompSat-2, KompSat-3A, TripleSat, Pleiades-1, Pleiades with the aerial platform, and Deimos-2. Neural network-based methods were excluded due to their substantial computational requirements for operational mapping purposes. The methods were evaluated based on four Spectral and three Spatial quality metrics. An Analysis Of Variance (ANOVA) was used to statistically compare the pan-sharpening categories. Results indicate that MRA-based methods performed better in terms of spectral quality, whereas most Hybrid-based methods had the highest spatial quality and CS-based methods had the lowest results both spectrally and spatially. The revisited version of the Additive Wavelet Luminance Proportional Pan-sharpening method had the highest spectral quality, whereas Generalized IHS with Best Trade-off Parameter with Additive Weights showed the highest spatial quality. CS-based methods generally had the fastest run-time, whereas the majority of methods belonging to MRA and VO categories had relatively long run times.

泛锐化方法通常用于合成多光谱和全色图像。选择合适的算法来维持输入图像的光谱和空间信息内容是一项艰巨的任务。这篇综述论文研究了广泛的算法，包括41种方法。为此，将这些方法分类为组件替代（基于CS），多分辨率分析（MRA），基于变分优化（VO）和混合的方法，并在21个案例研究的集合中进行了测试。其中包括来自WorldView-2、3和4，GeoEye-1，QuickBird，IKONOS，KompSat-2，KompSat-3A，TripleSat，Pleiades-1，带有空中平台的P宿星和Deimos-2的图像。由于基于神经网络的方法对操作映射的大量计算要求，因此排除了这些方法。这些方法是根据四个“光谱”和三个“空间质量”指标进行评估的。方差分析（ANOVA）用于对泛锐化类别进行统计比较。结果表明，基于MRA的方法在频谱质量方面表现更好，而大多数基于Hybrid的方法具有最高的空间质量，而基于CS的方法在频谱和空间上均具有最低的结果。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。方差分析（ANOVA）用于对泛锐化类别进行统计比较。结果表明，基于MRA的方法在频谱质量方面表现更好，而大多数基于Hybrid的方法具有最高的空间质量，而基于CS的方法在频谱和空间上均具有最低的结果。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。方差分析（ANOVA）用于对泛锐化类别进行统计比较。结果表明，基于MRA的方法在频谱质量方面表现更好，而大多数基于Hybrid的方法具有最高的空间质量，而基于CS的方法在频谱和空间上均具有最低的结果。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。结果表明，基于MRA的方法在频谱质量方面表现更好，而大多数基于Hybrid的方法具有最高的空间质量，而基于CS的方法在频谱和空间上均具有最低的结果。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。结果表明，基于MRA的方法在频谱质量方面表现更好，而大多数基于Hybrid的方法具有最高的空间质量，而基于CS的方法在频谱和空间上均具有最低的结果。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。再版的加性小波亮度比例泛锐化方法具有最高的频谱质量，而具有最佳权衡参数和加性权重的广义IHS则具有最高的空间质量。基于CS的方法通常运行时间最快，而属于MRA和VO类别的大多数方法的运行时间相对较长。