随着现代科技的迅猛发展,数字图像处理技术已经广泛应用到人们生活的各个领域.图像在成像、存储、传输过程受到各种噪声干扰导致图像质量降低.因此,图像去噪是图像预处理的主要任务之一.其意义在于有效提高人类视觉识别图像信息的准确性,为后续图像处理提供可靠保证.本文着重研究椒盐噪音和高斯噪音图像去噪算法.针对椒盐噪音,提出基于脉冲耦合神经网络的自适应去噪算法.该方法对细节较多和细节较少的图像分别根据图像子块的噪音污染程度、纹理复杂度自适应调整邻域大小,然后在确定邻域内利用脉冲耦合神经网络检测并平滑噪音.经典图像仿真实验结果表明,与中值滤波和脉冲耦合神经网络去噪算法相比,该算法在平滑噪音和保留细节方面有明显优势.此外,该算法应用到实际自带噪音图像,得到较好的恢复效果,验证了该算法的实用性.针对高斯噪音,提出一种新的基于自适应原子库的稀疏表示去噪算法.该方法通过对全部相似子块自适应训练子原子库实现图像稀疏表示.首先利用全局分析方法确定信号子空间.然后通过统计分析离散余弦变换系数将图像分为纹理细节和平滑区域两大块,利用K-SVD训练得到图像纹理细节原子库和平滑区域原子库.最后稀疏分解恢复图像子块,加权平均得到恢复图像.对经典图像做仿真实验,与固定字典、全局字典以及K-SVD去噪算法相比,该算法能够更好地捕获图像细节信息,图像的峰值信噪比有一定提高,验证了该算法的有效性.