细节保留的图像降噪对于计算机视觉及生物医学图像处理都是十分重要的,特别是比较常用的生物医学成像模态如核磁共振成像、核医学成像、荧光显微成像。这些成像模态得到的图片普遍受到噪声的严重污染,从而影响了成像质量。本文对相机图像以及核磁共振成像、核医学成像、荧光显微成像这三种成像模态的降噪问题做了讨论,并利用这些图像中的噪声与加性高斯噪声的关系,将降噪问题转化为高斯降噪问题。同时,为了能够获得细节保留的图像降噪效果,本文将随机矩阵理论应用到了噪声水平的估计和图像降噪算法研究中,得到了对噪声鲁棒且更精确的噪声水平估计效果,并提出了基于自适应聚类和渐进式PCA(Principal Component Analysis)变换域近似的纹理细节保留的降噪算法。具体地,对于噪声水平估计,随机矩阵理论中的Marchenko-Pastur(MP)法则可以很好地解释受噪声干扰的数据矩阵的协方差矩阵。通过把图像分成部分重叠的小块并将该小块中像素组成的向量堆叠成一个矩阵,求解该矩阵的协方差矩阵的特征值,利用MP法则通过启发式的贪婪搜索计算最终得到待估计的噪声水平。我们紧接着进行细节保留的降噪处理。首先,我们提出了一个以“过聚类-迭代合并”这种两步式方式进行的聚类算法来自适应地将图像小块分割成相对于噪声干扰下具有显著特征差异性的不同的类。这一聚类算法先利用“分而治之”的技巧获得过量的类。然后根据一个与噪声水平和类尺寸有关的阈值迭代地合并松散的类,当类的数目不再减少时,算法收敛。在聚类完成后,对于每个类中的所有块向量组成的矩阵,我们采用渐进式PCA变换域近似来进行适度的降噪。PCA首先被用来将块向量的各个维度去相关。然后依据噪声水平和MP法则,利用一个硬阈值处理选取包含主要信号的维度,而主要由噪声构成的维度被舍弃。对于余下的信号主导的每个维度,我们采用亚优化维纳滤波器进行适度降噪。考虑到维度内信号的差异性,我们使用局部多项式逼近-置信区间交集算法(Local Polynomial Approximation-Intersection of Confidence Interval,LPA-ICI)获得用于亚优化维纳滤波器参数估计的最优窗长。对降噪后的每个类中的块进行整合平均后获得最终的降噪结果。实验表明我们提出的降噪算法在处理随机纹理图像时具有令人满意的视觉效果和降噪量化性能,超越了其它优秀的降噪算法,甚至包括近年来提出的基于深度学习的降噪算法。在对真实的核磁共振、核医学、荧光显微图像处理时,也获得了优秀的细节保留的降噪效果。