由于受到各种物理条件和环境因素的影响,图像在采集、量化、编码传输和恢复过程中,不可避免地受到噪声干扰。为了改善图像的质量,我们需要对含噪图像中的噪声进行抑制并尽量保留图像原始信息,由此可见,去除图像中噪声是一项非常重要的图像预处理工作。图像去噪的目的是从含噪声图像中估计出原始无噪声图像,以利于图像的进一步分析和处理。本文将一种新的数据分析处理方法——Treelet变换引入到图像去噪中,围绕着如何从图像中去除噪声并尽量保持细节信息这个问题,主要工作概括如下：(1)提出了基于Treelet变换和最小均方误差估计的图像去噪方法。该方法基于Treelet变换在高维、无序、含噪数据处理上的优势,对相似图像块集合进行Treelet变换,再用Bayes估计去噪后系数,最后对去噪后的图像块按照加权进行聚合得到最终的图像去噪结果。由于Treelet变换对噪声具有鲁棒性,而且Bayes估计是一种无偏估计,能精确地估计出无噪声系数,有利于取得较好的去噪结果。本文通过大量的实验,与其他经典的去噪方法进行对比,验证了此算法的有效性,并证明此方法在去噪的同时也能很好地保持边缘等细节特征。(2)提出了Treelet变换域高斯尺度混合模型的图像去噪方法。该算法对图像块进行分类处理,将纹理和结构相似的图像块归为一类,对于图像中每一图像块,在其所属类别中寻找与其相似的图像块,对当前图像块和与其相似的图像块的灰度值组成的矩阵进行Treelet变换。再用高斯尺度混合模型对变换后的系数进行建模,再用Bayes最小均方方法估计去噪后系数。在属于同一类的图像块中寻找相似图像块与Treelet变换的核心思想——在变换的每一层都处理最相似的两个变量是一致的,更利于发挥Treelet变换的优势来分析数据的内部结构和图像块之间的相关性。实验表明了本章方法的有效性。与其他方法相比,本章方法对噪声抑制和边缘保持能力较强,PSNR值得到有效的提高,而且视觉效果也较好。(3)提出了一种基于边缘先验和非下采样Contourlet (NSCT)高斯尺度混合模型的图像去噪方法。该方法将图像的边缘梯度信息作为一种先验信息加入到能量函数中,控制图像去噪的迭代过程。用NSCT域高斯尺度混合模型的去噪结果作为迭代的初始化值。再加入梯度边缘作为先验信息,约束去噪的迭代过程。经过大量实验,验证了本章去噪方法的可行性和有效性。与NSCT高斯尺度混合模型相比较,本章方法在对细节边缘信息的保持上有优势。