图像在形成、传输以及记录过程中,不可避免地会受到噪声的干扰。噪声的引入,不仅降低了图像的质量,而且严重影响图像的后续处理工作。因此,图像去噪成为图像处理中一个基础而重要的步骤,在预处理的基础上,提高图像质量,可以为后续图像处理提供更可靠并真实的依据。图像去噪的最终目的是要在去除噪声的同时,可以更好地保持图像中的边缘、纹理等重要结构信息。那么,如何更好地保持图像的边缘、纹理等重要结构信息,成为图像去噪中的重要研究内容。本论文重点研究了非局部均值去噪算法以及图像中的非局部结构自相似性,以去除噪声的同时更多地保持图像结构信息为出发点,提出了一系列的图像去噪算法及模型的改进。具体的研究工作如下:(1)针对非局部均值去噪算法中全局滤波参数的不足之处,提出了一种基于边缘检测的自适应非局部均值图像去噪方法。该方法利用边缘检测的方法提取图像的边缘结构图,在此基础上判定当前待处理图像块位于图像的平坦区域或是边缘纹理区域,设定相关阈值,自适应选取滤波参数。实验结果表明,提出的方法较好地解决了去噪过于平滑的问题,更好地保留了细节信息,是一种可行有效的去噪方法。(2)针对NLM算法中普遍采用邻域灰度特征来计算图像块间的相似度,以确定权值分配,从而引入较多误差的问题,深入研究使用了基于LBP纹理特征的新的相似度计算方法。在此基础上,提出了一种结合LBP特征和灰度特征的混合相似度,并基于此混合相似度改进了NLM算法中的权值计算方法。实验结果表明,基于图像多特征融合的非局部均值去噪算法在去噪的同时,更多地保留了边缘纹理等结构信息,去噪效果上取得了显著提升。(3)深入研究了图像的结构自相似性,并以此为图像先验信息构建正则项,加入TV模型,提出了一种结合非局部先验的复合正则化图像去噪模型。并对其中非局部的权值采用图像的多特征融合的混合相似度来计算得到,更能保持图像的结构信息。最后采用Split Bregman迭代法求解复合正则化去噪模型,快速有效地达到去噪目的。实验结果表明,改进后的去噪模型比TV模型更好地保持了图像的结构信息。