基于PSO粒子群优化的多光谱图像融合算法matlab仿真

1.程序功能描述

基于PSO粒子群优化的多光谱图像融合算法matlab仿真。多光谱图像融合旨在将高光谱分辨率的多光谱图像（MS）与高空间分辨率的全色图像（PAN）融合，生成同时具备两者优势的合成图像。粒子群优化（Particle Swarm Optimization, PSO）作为一种高效的群体智能算法，在图像融合领域展现出独特优势。

2.测试软件版本以及运行结果展示

matlab2022a/matlab2024b版本运行

 

 

3.核心程序

.................................................
% 粒子群优化主循环
for it = 1:Miter
    it
    for i = 1:Npop
        % 更新粒子速度
        X0(i).V        = w*X0(i).V + c1*rand(Vnum).*(X0(i).Best.pos - X0(i).pos) + c2*rand(Vnum).*(ybest.pos - X0(i).pos);
        % 限制速度范围
        X0(i).V        = max(X0(i).V, Vmin);
        X0(i).V        = min(X0(i).V, Vmax);
        % 更新粒子位置
        X0(i).pos      = X0(i).pos + X0(i).V;
        % 处理越界位置（速度镜像效应）
        Idxs           = (X0(i).pos < Xmin) | (X0(i).pos > Xmax);
        X0(i).V(Idxs)  = -X0(i).V(Idxs);
        % 限制位置范围
        X0(i).pos      = max(X0(i).pos, Xmin);
        X0(i).pos      = min(X0(i).pos, Xmax);
        % 重新计算适应度值
        X0(i).Cost     = func_fitness(X0(i).pos);
        % 更新个体最优
        if X0(i).Cost < X0(i).Best.Cost
            X0(i).Best.pos = X0(i).pos;
            X0(i).Best.Cost = X0(i).Cost;
            % 更新全局最优
            if X0(i).Best.Cost < ybest.Cost
               ybest = X0(i).Best;
            end
        end
    end
    BestCost(it) = ybest.Cost; % 记录当前最优适应度
    w = w * wdamp; % 更新惯性权重
end
 
% 绘制适应度曲线
figure;
plot(BestCost);
xlabel('优化迭代次数');
ylabel('适应度值');
 
Res         = func_resout(ybest,bcf,MS2_sm,MS0,Rms,Gms,Bms,Nir,P);
 
% 计算图像质量指标
II          = imread('bz.bmp'); % 读取基准图像
[PSNR, MSE] = psnr(II, uint8(Res(:,:,1:3))); % 计算PSNR和MSE
 
% 显示图像结果
figure
subplot(221);
imshow(uint8(MS2_sm0(:,:,1:3))); title('原始多光谱图像');
subplot(222);
imshow(uint8(PAN2_sm)); title('全色图像');
subplot(2,2,[3,4]);
imshow(uint8(Res(:,:,1:3))); title(['PSO迭代次数',num2str(Miter),',粒子数',num2str(Npop),',融合图像,PSNR=',num2str(PSNR)]);
99

4.本算法原理

多光谱图像融合旨在将高光谱分辨率的多光谱图像（MS）与高空间分辨率的全色图像（PAN）融合，生成同时具备两者优势的合成图像。粒子群优化（Particle Swarm Optimization, PSO）作为一种高效的群体智能算法，在图像融合领域展现出独特优势。