在医学领域中,医学图像处理技术越来越多的被用于治疗规划和疾病诊断中。目前被广泛应用于临床和诊断的医学影像技术主要有核磁共振(MRI)、计算机断层扫描(CT)、正电子发射断层扫描(PET)、X线和超声波等技术。虽然医学影像设备和图像采集设备非常先进,但是有时也会受到一些客观因素的影响,医学图像中不可避免的会产生噪声,这些噪声有可能会直接影响到医学图像的质量,从而影响医务人员的判断。因此,非常有必要对医学图像预处理中的去噪技术进行分析和研究。去噪是图像处理的基础和前提,也是图像预处理中不可缺少的步骤。目前用于自然图像预处理的去噪技术取得了明显的效果,但是对于医学图像预处理中的去噪技术的研究还存在一些问题。为了改善医学图像的质量,减小噪声对图像的影响。本文对医学图像的检测去噪技术进行了较深入的分析和研究,论文的主要研究工作内容如下:1、分析了医学图像去噪对于疾病诊断和医学研究的重要性,描述了医学图像去噪技术的现状,对现有去噪技术方法进行了比较与分析,为设计性能更好的去噪算法提供了基础和依据。2、针对传统NLM算法的不足,提出了基于SLIC超像素分割的NLM去噪算法,首先利用超像素分割的SLIC算法将生成标签,每一个像素都对应相应的标签,相似的超像素标签有相同的标签值,利用标签可以判断出位于边界位置的像素点,将超像素相似聚类构成具有相似特征的区域,最后使用NLM算法思想进行去噪。通过实验对去噪效果对比,分析得出该算法使邻域搜索具有更高的匹配性,特别是在边缘处更为有效。3、基于稀疏分解,本文首先选用K-SVD学习型字典对医学图像进行去噪,相比较于固定字典,学习型的字典包含了图像的特征信息,特别是自适应字典,该字典可从含噪图像进行训练得到,因此对含噪的图像更具有适应性,去噪的效果也会更好;其次本文研究了K-SVD的全局字典和自适应字典进行医学图像的过程,并与其他去噪方法进行了比较,评价了K-SVD全局和自适应字典的去噪性能。