图像去噪方法去噪后会在一定程度上模糊图像的边缘,因此,建立兼顾噪声去除和边缘保护的去噪方法对研究图像处理方法具有重要意义。本文针对图像中常见的高斯噪声、椒盐噪声以及它们的混合噪声,通过结合偏微分方程图像去噪方法和多方向加权均值滤波方法,提出了相应的图像去噪算法。论文的主要内容和研究结果如下:1.为了克服相干增强扩散模型去噪后在平坦区域产生虚假边缘而且不能较好地保护细节特征的缺点,建立了一种图像特征增强的自适应各向异性扩散模型。首先,对图像中的不同结构特征进行了对比分析,并建立了一种图像特征分类方法,该方法可以对图像特征进行精细分类,包括平坦区域、边缘、拐角和孤立噪声点;其次,针对不同的图像特征设置合理的扩散张量的特征值,从而控制不同图像特征沿不同方向的扩散速率,最终实现自适应扩散。数值实验结果表明图像特征增强的自适应各向异性扩散模型能够在有效去噪的同时保护好图像的边缘和拐角等细节特征。2.为了有效地去除不同概率密度的椒盐噪声,提出了一种基于二级修复的多方向加权均值滤波器,该滤波器的滤波过程分为两步——噪声检测和噪声修复。在噪声检测阶段,构造了一个特征差异参数用以判断像素点间灰度差异的程度,并综合利用特征差异参数和灰度极值来检测噪声点。在噪声修复阶段,提出了一种二级修复机制对噪声点的灰度值进行了两次修复,分别为初级噪声修复和第二级噪声修复。在第二级修复过程中,提出了一种多方向加权均值滤波器,可以在去噪后较好地保护图像的边缘和细节特征。数值实验结果表明基于二级修复的多方向加权均值滤波器具有较高的滤波性能和结构特征保护性能。3.为了进一步改善去噪后图像的质量,在基于二级修复的多方向加权均值滤波器的基础上进行改进,给出了一种自适应多方向加权均值滤波器。为了提高噪声检测的准确性,构造了一个方差参数来判断检测窗口内像素点间的灰度差异性,并通过结合方法参数和灰度极值识别图像中的噪声点。之后,为了提高噪声修复的准确性,在二级修复机制中,提出了一种自适应多方向加权均值滤波器,可以自适应地选择修复窗口的大小。数值实验结果表明,与文中对比的其它滤波器相比,自适应多方向加权均值滤波器的滤波性能和结构特征保护性能更优。4.为了有效去除图像中高斯噪声和椒盐噪声的混合噪声,建立了一种混合噪声滤波器。首先,提出了一种噪声分类方法,可以准确地区分图像中的高斯噪声点和椒盐噪声点,其次,利用多方向加权均值滤波器修复图像中受椒盐噪声污染的像素点的灰度值,最后,利用图像特征增强模型修复图像中的受高斯噪声污染的像素点的灰度值。数值实验结果表明混合噪声滤波器不仅可以有效地去除高斯噪声和椒盐噪声组成的混合噪声,还能够较好地保护图像的边缘和细节特征。本文提出的图像去噪算法在噪声去除和边缘保护两方面达到了较好的平衡,可以在有效去噪的同时保护图像的边缘和细节特征。