图像去噪是图像处理领域中一项基本而又十分关键的技术,一直是图像处理领域的一个难题。无论在理论研究还是工程应用都受到了相当的重视。传统的去噪方法分为两大类：时间域方法和变换域方法。时间域方法有维纳滤波、均值滤波、中值滤波等。但是时间域方法是以图像的模糊为代价来换取噪声的减少。伴随着傅立叶变换的发展,去噪技术由时间域发展到变换域。典型的变换有傅立叶变换和小波变换。傅立叶变换的不足在于不能同时进行时频分析且不能有效分析非平稳图像。而基于传统可分小波的去噪算法需要进行大量的预处理(如进行噪声方差的估计、阈值的选取等)。 本文探讨了不可分小波的一些重要特性,例如高频子带的细节丰富、对方向的敏感性、分解的多尺度性等特点：然后结合不可分小波和二维主成分分析的特点,提出了新的图像去噪算法。新算法不需要进行噪声方差估计和阈值选择等一些预处理,直接充分利用噪声图像分解后的高频细节信息。随后结合阈值处理方法,提出了阈值修正的去噪算法；最后讨论了如何选取不可分小波分解滤波器的参数以及如何选取特征向量等问题。本文利用加性高斯噪声模型和加性椒盐噪声模型做去噪实验,结果表明,新算法不仅客观的PSNR值较高,而且较为明显地改善了去噪后的视觉效果。