非局部均值(Non-Local Means,NLM)图像去噪算法利用自然图像中存在大量结构相似的冗余信息,通过构建邻域块向量体现像素间结构特性从而取得更好的去噪效果。由于NLM算法在图像中高对比度边缘计算相似性权重合理性较差,因此在边缘处容易引入震荡伪影现象。针对这一问题本文提出一种新的改进非局部均值去噪算法。该算法利用平稳小波变换稳定分辨率特性对含噪图像进行预处理。通过度量梯度向量关联关系计算邻域间梯度算子。构造多形状邻域块取代NLM算法中单一研形邻域块,并利用快速傅立叶变换结合梯度相似性因子对任意形状进行结构相似性计算。然后根据Stein无偏估计(Stein’s Unbiased Risk Estimate,SURE)的研式对估计集归一化。最后为使局部归一化更具有鲁棒性,将P-M等式进行改进使用各向异性扩散的研法进行正则化。实验表明,多形状估计的非局部均值算法在高对比度边缘处能有效地限制局部伪影现象,较传统NLM算法峰值信噪比和结构相似度指标也有一定提高,在噪声标准差较大情况下具有有效性和鲁棒性。