图像噪声严重影响了图像信息的获取,图像去噪作为预处理步骤,具有极其重要的作用.由于优良的理论性质,基于稀疏编码的图像去噪方法在近年来被广泛关注.与稀疏编码密切联系的独立成分分析方法(ICA),是一种盲源分离方法,能在混合信道参数未知的情况下分离出源信号.该方法已被广泛应用于语音识别、生物医学、无线通信等领域.特别地,ICA可以提取图像高阶统计信息,结合收缩估计,ICA可以用于图像去噪.本文主要研究ICA算法在图像去噪中的应用,主要工作有:首先,回顾了ICA的发展过程,简要介绍了ICA算法的基本理论,包括基本模型、模型假设及不确定性,中心化及白化预处理方法和相关的优化理论;总结了若干优秀的ICA算法.其次,分析了噪声ICA模型与稀疏编码的关系.比较研究了ICA算法中优化方法及非线性目标函数选取对图像特征提取与去噪性能的影响.结果表明,优化方法的选取对性能影响不明显,非线性函数对性能影响显著.采用超高斯概率密度构造非线性目标函数时,ICA算法提取的图像特征性质良好,在空间、频率、方向上均具有很强的局部性.采用次高斯概率密度构造目标函数的ICA算法提取的图像特征不具有以上性质.此外,基于收缩估计方法的图像去噪应用中,用超高斯概率密度建模特征系数分布时,获得的收缩函数去噪效果良好.最后,借鉴基于图像自相似性或冗余特性的非局部均值算法和联合稀疏编码的高斯尺度模型的基本思想,在此基础上,使用ICA算法提取的图像特征,并采用拉普拉斯尺度密度建模,提出了联合稀疏编码的拉普拉斯尺度估计模型.新提出的模型在抑制噪声的同时,保留了图像边缘和纹理.与收缩估计方法及非局部均值算法相比,新方法去噪效果显著提升,在迭代次数较少时,新方法优于联合稀疏编码的高斯尺度模型.