在数字图像成像系统中,信号采集、传输及成像的过程会遇到各种干扰因素,造成图像被噪声污染,进而导致图像的降质。在对图像的进一步高级处理过程中,如配准、分割、识别等都需要清晰、高质量、目标明晰的图像,因此去除噪声影响获得高质量图像已经成为图像处理领域一项不可缺少的基础工作和重要分支,并且去噪效果的好坏直接影响后期相关工作的效果。基于空间数值、偏微分方程和多尺度几何分析的图像去噪处理方法是去噪研究工作的重要组成部分,本文基于以上三种方法展开图像去噪研究工作。在对上述去噪方法的学习和研究中发现,现有的方法可以在一定程度上完成图像的去噪工作,但是往往去噪过程中需要人工干预,对于不同类型的图像算法需要进行参数的调整以适应图像特点,才能获得较好的去噪效果。因此,本文引入智能算法来提高去噪过程的自适应性,同时对去噪算法进行改进创新以获取更好的去噪结果。本文主要采用智能算法的两种基本思想:分类和优化。分类方面采用极限学习机(Extreme Learning Machine,ELM)作为分类器,而优化方面则采用遗传算法(Genetic Algorithm,GA)和粒子群优化(Particle Swarm Optimization,PSO)算法作为优化工具。基于以上研究背景,本文研究了如何将上述两大学术背景进行结合,以达到对图像去噪的目的。本文的主要工作包括:基于智能算法本身的改进,提高算法性能;将智能算法与传统的去噪算法相结合,应用到图像去噪工作中,以达到理想去噪效果。下面将对本文的主要工作和研究成果进行概述。(1)针对数字图像中常见的椒盐噪声的去噪方法进行了研究,提出了一种以极限学习机(ELM)算法作为分类器的自适应去噪算法。该去噪算法的基本思想是通过极限学习机算法的分类器作用将图像中的像素点进行区分,进而对分出的噪声点进行有针对性的去噪。通过对噪声点的检测区分,可以在一定程度上避免在去除图像噪声过程中,将一些图像细节点当作噪声去掉,从而在得到好的去噪效果的同时,可以最大限度的保留图像中原有的细节。该算法选择ELM-RBF算法作为分类器,在研究过程中发现ELM-RBF虽然拥有极限学习机的各种优点,但是也存在一定不足。由于ELM-RBF学习算法在选择隐含层神经元的中心位置和宽度上是随机的,所以本文提出了基于遗传算法的GA-ELM-RBF的改进算法,通过遗传算法来优化神经元的中心和宽度的选取,得到了更好地分类效果,提高了噪声点的检测效率。并将该改进后的GA-ELM-RBF算法结合ROLD因子和自适应窗口大小的加权均值滤波方法应用到图像去噪当中,经去噪仿真实验证明该方法得到了较好的去噪效果。(2)针对数字图像中另一种常见的高斯噪声的去噪方法进行研究,提出了一种以遗传算法作为优化工具的偏微分方程的自适应去噪算法。本文首先研究了偏微分方程去噪方法的整体状况,详细分析了总变分(Total Variation,TV)模型和四阶偏微分方程(Forth-order PDE,4thPDE)的去噪过程,并分别讨论了上述两种方法各自的优点及缺点。然后根据两种算法的特点,建立了两种去噪结果的权重方程,在使用遗传算法对这两种偏微分方程的去噪结果进行整体优化后,融合出本文的GA-TV-4thPDE算法,经试验证明算法有着较好的去噪效果。(3)在上述对图像高斯噪声去噪研究工作的基础上,提出了一种以粒子群优化算法作为优化工具的去噪算法。为了获得更好的优化效果,首先对粒子群优化(PSO)算法进行了改进,针对PSO算法存在的不足,结合绩效管理(Performance Management,PM)的思想,设计出“末位淘汰”和“同等数量更新”粒子概念的PPSO算法,对经典的PSO算法进行了优化,提高了 PSO算法的寻优速度和全局搜索能力。然后结合前面所提出的GA-TV-4thPDE算法,用改进的PPSO算法替代GA作为优化工具,对图像中的高斯噪声进行去噪工作。经过去噪仿真实验证明,该算法取得了较好的去噪效果。(4)通过对多尺度几何分析(Multiscale Geometric Analysis,MGA)方法的学习分析,提出了一种改进的剪切波(Shearlet)变换的自适应去除图像高斯噪声算法。选用Shearlet变换作为去噪基本算法,结合PPSO算法,优化Shearlet变换阈值去噪方法中的收缩阈值选取问题。本文首先分析了 Shearlet变换去噪的优势和不足,发现其分解多尺度、多方向,可以很好的表示图像结构,但同时对收缩后的系数选取带来困难。针对这一特点,可以采用优化策略,取得最优收缩阈值。基于以上研究工作,提出了一种基于Shearlet变换的去噪算法,在去噪过程中,采用PPSO算法进行整体优化,得出了本文的PPSO-Shearlet算法。经过去噪仿真实验证明该改进算法有效,去噪结果较好。