作者从事于图像去噪技术的研究有一年半左右的时间,其间参与了医学核磁共振MR 图像分割项目的图像去噪处理,同时针对MR 图像分割做过相应的研究工作。本文提出了一种新的空间自适应小波阀值去噪算法,该算法是基于非高斯二元分布的贝叶斯统计模型和上下文模型,并将该算法应用于MR 图像的去噪处理。本文的应用背景是医学核磁共振分割项目,图像去噪处理是分割项目的重要的预处理步骤之一。由MRI 得到的图像复数数据常受到高斯白噪声的干扰,该噪声部分来源于图像数据采样硬件系统,其他来源于生理学原因。为了更好地进行MRI 图像分割处理,我们需要更加精细准确的图像去噪算法。通常,图像去噪会影响原有图像包含的数据信息,因而图像算法会折中平衡图像去噪和图像质量的关系。为了很好平衡二者关系,要求图像去噪算法能够适应图像数据的非连续性。小波表示(wavelet representation)能够构造出这种具有空间自适应性的图像去噪算法。它能将基本数据信息压缩在数量较少,但数值较大的小波系数(wavelet coefficients)当中,这些小波系数能完全体现图像数据的细节。为了更好地进行MR 图像分割处理,本文提出了一种新的空间自适应小波阀值去噪算法,该算法是基于非高斯二元分布的贝叶斯统计模型和上下文模型。非高斯二元分布由两个变元和一个参数组成,能够完全体现小波系数之间相关性,这是广义高斯分布所不能体现的特性。上下文模型是图像编码技术,用来求取小波系数的方差。试验数据显示该算法不仅在直观视觉上去噪效果明显,而且在信噪比方面也要优于SureShrink, BayesShrink,Wiener2 等方法。