粒子群算法(Particle Swarm Optimization,PSO)是一种新型的、基于迭代的进化计算方法,是由美国社会心理学Kennedy和电气工程师Eberhart在1995年共同提出,其基本思想是受他们早期对鸟类群体行为研究结果的启发。PSO算法具有概念简明、实现方便、参数设置少、收敛速度快等优点,近年来受到国内外学者的广泛的关注和研究。算法是非线性连续优化问题、组合优化问题、混合整数非线性优化问题的有效优化工具,目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。在信号处理、模式识别、机器人活动规划、系统设计、决策制定、工作调度、图像分割、时频分析等问题中的应用亦均有报道。图像增强是数字图像处理的最基本的方法之一,它的主要目的有两个:—是改善图像的视觉效果,提高图像的清晰度;二是将图像转换成一种更适合人眼观察或计算机自动分析的形式。本文在研究粒子群算法基础之上,对算法提出两方面的改进,并将改进的AIPSO(Adaptive Inverse Panicle Swarm Optimization)算法应用到灰度图像自适应的增强中。首先,本文阐述了数字图像的一些基本概念、图像增强的基本原理、方法和粒子群算法的基本思想,在此基础之上,对算法提出了两方面改进。一方面:由于PSO算法迭代公式中权重w对算法的收敛性具有重要作用,较大的w收敛速度更快,有利于全局搜索,但不易得到精确的解;较小w有利于局部搜索,能得到更为精确的解,但收敛速度慢。针对目前普遍采用的权重随迭代次数线性递减的选取策略,本文提出一种新的粒子收敛程度评价体系,针对不同的体系下的粒子提出不同权重更新策略;另一方面,源于对人们学习生活中学习方式的思考,本文提出了一种“远离错误”的种群迭代方式。在具体应用中,同时构建两群,一个群按照PSO算法思想进行更新,另一个群按照“远离错误”的方式进行位置更新,每次迭代后两群相互交换相信,共同完成优化任务。文章接下来将AIPSO算法应用到测试函数的仿真实验当中,对比PSO算法,证明了本文提出的AIPSO算法具有收敛速度更快,优化性能更突出,精度更高的优点,最后,将AIPSO算法应用的在灰度图像增强的处理中,针对能够完全覆盖图像增强典型变换类型的非完全Beta函数,本文利用AIPSO算法实现其参数的自适应选择,以此达到灰度图像的自适应增强,通过仿真实验,增强效果显著。