研究目的及意义：

随着科学技术的发展，数字图像处理技术的应用越来越广泛，针对数字图像处理技术很多新颖的概念和方法也层出不穷，各种图像处理技术也有了很大的发展。然而由于各种因素，例如元器件方面、环境方面或者其他方面的缘故，图像极易受到噪声的污染，严重时对图像融合、分割、理解、模式识别、特征提取、边缘检测等都会造成一定的影响，这时如何消除噪声，怎样进行去噪处理就成为关键的一步。

图像去噪的最终目的是通过采取某种手段改善给定图像的质量，将图像噪声污染问题解决，进而满足人们对图像的某种特定的要求。因此，智能优化方法因其易于理解、便于实现等特点在图像处理领域得到了广泛应用。其中，粒子群优化算法己经在图像处理领域应用中取得了一定的成功，但在图像去噪、图像分割等问题上仍然存在着很多需要改进的地方。本文利用粒子群优化算法的全局搜索能力来搜索小波变换下的噪声系数和图像系数的阈值,更准确地将图像信号和噪声信号分开,使重构的图像更加接近原图，从而实现图像去噪。

研究现状：

在自然界中，鸟群中的个体是离散的个体并且在群中随机排列，但在整体运动中保持着同步。鸟群的行为特点引起了人们的注意，其中Reynolds通过模拟鸟群的行为来对各种的运动进行掐述，Heppner在Reynolds的基础上增加了鸟类飞向栖息地的条件从而提出了新模型。鸟群寻找栖息地的行为和寻找问题的最优解很相似，美国的Kennedy和Eberhart受到启发后提出了粒子群优化算法(Particle Swarm Optimization )。粒子群优化算法是将鸟群可能要找到的栖息地比作解空间中解的位置，通过个体之间相互传递信J息、来引导种群想可能解的方向不断移动，从而找到最优解。

粒子群优化算法的优点有:概念简单，易于理解;不要求优化问题具有连续性;算法实现简单，运算速度快;算法收敛速度快，鲁棒性强。除此之外，粒子群优化算法研究和应用，大体上可以归纳为以下几类：

1、算法自身的改进

对于算法自身的改进主要体现在算法的速度和位置更新公式的改进。例如，Shi等在算法速度更新公式引入惯性因子，使算法的收敛性得到改善;Clerc等将搜索因子引入到速度更新公式中来控制算法的收敛趋势;Ratnaweera等引入时变加速因子和时变惯性因子来提高算法的局部搜索能力:Monson等利用Kalman滤波法对算法的位置更新进行改进，使算法在不影响收敛性能的基础上减少了迭代次数:此外，Rasmussen等提出了子种群的概念来保证算法种群的多样性。

2、算法参数的改进

粒子群优化算法提出后，首先在算法参数改进的是通过引入J01111性参数到速度更新公式中，来改进全局最优和局部最优的平衡问题;之后，Eberhart等提出了一种随着迭代次数线性下降的惯性因子并设计了一套相关的模糊系统;Van Den Bergh等通过使用一个新的更新方程来对全局最好的粒子进行更新使算法确保收敛到局部最优;Ratnaweera等通过引入时变加速因子到惯性系数中来保证算法的收敛性。