数字图像在获取和传输过程中,由于不完善的图像采集系统和传播渠道,往往会受到各种噪声的干扰,这种现象所导致的图像质量会有明显降低,并对后续的任务产生很大的影响。如图像的分割、检索、或场景解释等。因此,对图像先进行去噪就显得十分重要。本文主要研究了基于多尺度几何变换的统计模型和非局部均值滤波的两种图像去噪算法,主要工作如下:(1)提出了基于可操纵金字塔变换域的高斯尺度混合模型图像去噪算法。首先对图像进行可操纵金字塔变换,得到不同尺度、不同方向上的变换系数;然后将位于相邻位置和尺度的系数邻域建模为一个高斯尺度混合模型。在建立模型时,选用了一种新的概率密度函数(高斯厄米特概率密度函数)对图像系数幅值之间的相关性进行很好的描述。最后在该模型基础上用贝叶斯最小二乘法对系数进行估计。该算法在视觉上和峰值信噪比的改善上都取得了非常好的效果。(2)提出了基于伪Zernike矩的非局部均值滤波图像去噪算法。为了有效地去除噪声,获得细节清晰的图像,对非局部均值(NL—Means)滤波算法进行了改进,提出了一种基于伪Zernike矩的非局部均值滤波图像去噪方法。伪Zernike矩是基于图像整个区域的形状描述算子,不仅具有旋转不变性,还可以任意构造高阶矩,因此利用伪Zernike矩与非局部均值相结合的方法,能够得到更多具有较高相似性的像素或图像之间的匹配。实验结果表明,该算法不仅能有效地去除噪声,而且能保持图像的边缘信息,获得比传统的非局部均值更好的去噪效果。