图像去噪一直以来都是数字图像研究领域的一个难点和热点，由于噪声广泛的存在于各类图像中，对人们的视觉判断和图像分割、图像识别等图像的后续处理产生严重的干扰，因此具有非常大的研究价值与现实意义。然而在实际应用中，图像在获取、传输、处理和存储的过程中都有可能引入噪声，产生的噪声因污染源和干扰强弱的不同，表现出不同的类型和强度，而且可能还同时伴有模糊等其他退化现象。这些因素的存在使图像去噪的效果难以尽如人意。虽然国内外已经研究了多年，但由于噪声的复杂性以及造成的部分图像信息的丢失，很难有一个通用的算法能对未知噪声进行很好的去除。本文提出了一个全新的图像去噪处理策略，并对其中的图像滤波环节的算法做了改进。常见的噪声可以分为高斯噪声和椒盐噪声两大类。本文提出的去噪流程为：首先根据这两种噪声所表现出来的分布特性和对图像影响效果的不同，可以以不同类型噪声图像的小波分解HH子带的系数分布统计直方图作为切入点，对这两种噪声进行区分；然后估计高斯噪声的标准差和椒盐噪声的概率密度；最后根据所判断的噪声类型，若是高斯噪声则采用基于高斯尺度混合模型的小波域图像滤波算法，若是椒盐噪声则采用本文改进的元胞自动机算法，并根据计算得出的噪声强度信息，设置合理的滤波参数。对于未知噪声，选择有针对性的图像滤波算法和设置合理的滤波参数是图像去噪的一个难点，并且决定着图像去噪效果的好坏。实验证明，本文的噪声类型区分与噪声强度估计为后面的图像滤波提供了必要条件，且非常具有实用性和启发性。图像去噪的常见算法有均值滤波、数学形态学滤波、中值滤波、维纳滤波、小波阈值法、非线性全变分等，本文根据不同的噪声分别采用基于高斯尺度混合模型的小波域图像滤波算法和改进的元胞自动机算法，后者在Rosin所提出的元胞自动机模型基础上对元胞自动机的演化策略做了改进，从而实现在不改变去噪效果的情况下，大幅提高了规则训练和图像滤波的效率。本文将这一改进算法运用到图像去噪的总体框架中，达到了令人满意的去噪效果。本文通过实验表明，将论文中的图像整体去噪流程应用于未知噪声图像的修复中，可以获得质量很高的复原效果，本文提出的这一新思路以及研究思想对图像去噪领域是具有实用性与启发性意义的。