图像噪声,就是妨碍人的视觉感知,或是干扰传感器接受图像源信息,导致理解和分析误差,也可以理解为真实信号与理想信号之间存在的偏差。噪声一般是不可预测的随机信号,通常采用概率统计方法对其进行分析。噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。在图像处理中,输入图像噪声的抑制是十分关键的问题。若输入伴有较大的噪声,必然影响处理全过程及输出的结果。从噪声的分类方法来看是多种多样的。但综合来说,噪声是随机产生的量,所以可以从统计数学的观点来定义噪声。各种类型的噪声反映在图像画面上,大致可以分为两种类型：椒盐噪声和高斯噪声。本文首先描述了图像的退化模型,对椒盐噪声和高斯噪声进行了介绍。接着详细的介绍了图像去噪的两类方法：空域滤波去噪和频域滤波去噪。同时对常用去噪效果的评价方法进行了介绍。本文主要分三个部分。在第一部分,首先介绍了去除椒盐噪声一些常用的方法。接着结合均值滤波和自适应中值滤波两者的优点,提出了改进的自适应中值滤波算法。实验结果表明,该算法能够有效的消除被污染图像中的高密度脉冲噪声,并较好的保留原始图像细节和边缘。在第二部分,介绍了独立分量分析,为第三部分的稀疏编码作好理论铺垫,并且提出了可调速率相对梯度算法。在独立分量分析的相对梯度算法中,要取得较好的效果,选取合适的学习速率是至关重要的。本文提出了一种可调速率的相对梯度算法,随着迭代次数的变化,使相对梯度算法的学习速率作相应变化,从而较好地解决了收敛速度与稳定性的矛盾。将这个方法应用于盲信号分离,实验结果表明,该算法具有较好的性能。在第三部分,首先介绍了去除高斯噪声的维纳滤波法,接着利用独立分量分析的方法对高斯噪声进行去噪,提出了基于多项式拟合的稀疏编码图像去噪方法。在稀疏编码中,数据向量用一组基向量来表示。对于每一个数据向量,仅有一小部分的基向量同时被激活。对图像数据稀疏编码后的系数进行收缩处理,具有较好的去噪效果。本文通过多项式拟合的方法来获得稀疏码去噪中的收缩函数,获得了较好的效果。