粒子群优化算法(Particle Swarm Optimization,PSO)是一种群智能优化算法,属于演化计算(Evolutionary Computation,EC)的重要分支。PSO因其简单、参数少、计算成本低、收敛快等众多优势,在图像处理领域得到了广泛的应用。本文主要针对图像的去噪去雾应用,围绕粒子群优化算法进行了研究。去噪是图像预处理阶段的关键步骤,双边滤波因其“保边去噪”的特性在去噪领域应用广泛。双边滤波的去噪效果是由其滤波参数的取值决定的,实际应用中,这些重要的参数往往通过大量试验得到,或者被人工设定,影响了实验结果的精确性。近年来,研究者们相继提出了一些自动的双边滤波参数选择方法,但它们通常比较复杂,普适性不强或需事先对图像进行统计分析。针对这个问题,本文将标准PSO算法应用于双边滤波参数选择,提出了标准PSO优化的双边滤波去噪方法。该方法能够自动为任意待去噪图像选择双边滤波参数,然后利用参数优化的双边滤波进行去噪。标准PSO的使用提高了双边滤波的去噪效果及稳定性。标准PSO算法的搜索精度不高,易陷入局部极值中,不适合用来解决现实中复杂的优化问题。针对这个不足,已有研究对其进行改进,其中,邻域结构是一个重点改进方向。然而,大部分针对邻域结构的PSO改进并未考虑到结构的真实性与社会性。因此,本文将符合真实社会网络特点的随机阿波罗尼斯网络(Random Apollonian Network,RAN)引入标准PSO中,提出了 一种新的RAN-PSO优化算法。RAN的引入提高了标准PSO的搜索精度及收敛速度。接着,本文又将RAN-PSO应用于图像去噪中,提出了一种基于RAN-PSO的双边滤波去噪方法,该方法相较标准PSO优化的双边滤波去噪方法有着更强的去噪性能。去雾是图像处理领域的另一个重要问题,暗通道先验去雾算法及其改进版本是目前应用最广、效果最好的去雾算法。与双边滤波相似,该算法的去雾效果也与其参数取值有重大关系。目前,研究者们对于该算法参数的取值都是以试验为主。此外,由于有雾图的特殊性以及无雾原始图的难以获得性,直接将经典的图像质量评价算法应用到去雾图像的评价上并不能取得很好的效果。因此,本文设计了一种新的去雾图像质量评价算法作为适应度函数,进而提出了一种基于RAN-PSO的暗通道去雾算法。该方法能够自动为任意雾图选择暗通道先验去雾算法参数,然后使用优化过的暗通道先验算法进行去雾。RAN-PSO的引入提高了暗通道去雾算法的去雾视觉效果。