图像噪声去除/降低是图像处理技术中，图像增强与图像恢复的交叉研究问题，一般认为是一种图像预处理技术。    为了在有噪声的情况下恢复图像，就需要了解噪声的统计性质，以及噪声与图像之间的相关性质。  图像噪声通常是一种空间上不相联系的离散和孤立的像素的变化现象。     图像噪声也是一种图像退化因素。     对信号/图像来说，噪声是一种外部干扰。但噪声本身也是一种信号(携带了噪声源的信息)。 常用图像噪声的概率密度函数 图像噪声是一个随机量，所以噪声一般用其概率特征来描述。 (1)高斯噪声 高斯

针对脉冲耦合神经网络（PCNN）的降噪效果差和参数不确定性的问题，提出了一种采用灰狼优化（GWO）和二维经验模态分解（BEMD）优化的自适应PCNN的混合图像去噪方法。 ）， 被表达。 BEMD用于将原始图像分解为多层图像分量。 在运行GWO以完成PCNN参数优化之后，使用自适应PCNN滤波方法来补救与不同图像分量相对应的污染噪声点，然后可以从中获得去噪图像分量的重构。 通过对图像去噪结果的分析，提出的方法的主要优点如下：（i）该方法有效地解决了由关键的PCNN参数确定问题引起的缺陷； （ii）

针对图像去模糊问题,采用二阶广义全变差作为修复图像的正则项构建恢复模型,并针对重建模型的高阶与非光滑特性,给出了基于分裂Bregman迭代的快速算法.实验结果表明,该模型和数值算法能够较好地恢复被噪声和模糊污染的图像,同时可以很好地保留图像的纹理和细节信息.