图像噪声是由多种因素造成的一种随机现象。噪声的存在直接影响了图像真实信息的表达,如何从受到噪声污染的图像中恢复原有信息,提升图像质量已经成为图像处理领域的热点研究方向。非局部均值(Non Local Mean,NLM)算法是一种能够有效去除加性高斯噪声的去噪算法,多年来吸引了大量学者的关注。NLM算法将相似块的加权平均推广到图像整个区域,获得了较好的去噪效果。但是,NLM算法在相似块的选择与度量、参数设置和执行效率等方面仍存在一些不足。本文主要围绕NLM算法中相似块的选择和度量开展研究,研究了 NLM图像去噪算法的改进和优化。论文的主要研究工作包括:针对NLM去噪算法在部分区域图像块的相似度较低问题,提出了优化相似块选择策略的改进算法,通过超像素分割算法将图像划分为若干相似块,在变化丰富的区域利用纹理信息直接选择相似度更高的图像块;针对不同区域特点采用了不同尺寸的相似窗口,新的相似块选择策略保留了原图像更多的纹理信息。针对相似度较小的图像块参与像素信息恢复时影响去噪效果的问题,提出了相似块二次筛选和新的权重分配方法。考虑到与中心像素在同一类的图像块间具有更高的相似性,在搜索窗内按相似块的局部特征将其聚类,并对聚类同簇中的相似块赋予更高的权值。由于选择了更加合理的相似块,提升了算法的去噪性能。针对NLM去噪算法中利用像素间的欧氏距离衡量相似度存在的不足,提出了一种新的判定函数用于相似块的度量。通过对相似块多级小波分解,从小波系数中提取能量信息并定义了基于小波的相似度评判函数。仿真实验表明新的相似度度量方法在图像去噪时获得了好的性能,体现了该方法的有效性。仿真实验表明了本文算法的有效性和可行性。