噪声作为一种常态在数字信号中是普遍存在的。数字图像在采集、传输和储存的过程中会受到成像设备、外部环境噪声以及存储介质等因素的影响，造成图像被噪声污染。为了消除或者降低被污染图像中的噪声，便于人眼的识别或者对图像进行后继处理，图像去噪成为图像处理和分析中的一个不可缺少的重要环节。然而，如何对含噪图像在去除噪声的同时能够尽量好地保持其原有图像的纹理和边缘信息是一项具有挑战性的问题。　　 经典的去噪的方法主要包括空域去噪和变换域去噪。空域去噪是对整个图像进行某一种简单的运算处理，在处理过程中忽视了图像不同部分的特性，在去噪后会引起细节和边缘等高频部分的模糊；变换域去噪主要包括傅里叶变换去噪和小波去噪等，其中傅立叶变换去噪方法虽然能通过平滑抑制噪声，但同时也会使图像边缘信息受到损失，小波去噪法将含噪图像转换到小波域上，对小波系数进行处理达到去噪目的，因为该方法简单有效而被广泛应用。　　 普通小波只是沿水平和垂直方向对图像进行小波分解，因而不能很好地表现出非水平和非垂直方向的纹理信息。而自适应方向提升小波能够较好地表现出自然图像中通常包含的任意方向的重要边缘信息，在图像处理和分析中有其独特优势。本论文主要开展基于自适应方向提升小波的图像去噪方法研究。论文的主要研究成果和贡献如下：　　 1．回顾了从小波变换到提升小波变换的发展历程，总结了图像去噪现有的方法，对提升小波图像去噪进行了仿真实验，发现了其在去噪中存在的不足。　　 2．提出了基于自适应方向提升小波的图像去噪算法。自适应方向提升小波充分利用图像方向信息对图像进行稀疏表示，能有效消除图像方向上存在的空间冗余。与普通提升小波相比，自适应方向提升小波能够更好地逼近图像纹理，且可以用更少的高频系数表示图像。实验结果表明，基于自适应方向提升小波的图像去噪算法能够较好地保持图像纹理信息。　　 3．研究了不同阈值选取方法在自适应方向提升小波去噪中的效果。小波阈值去噪法中，阈值的选取直接影响去噪后重建图像的质量。通过对不同阈值方法的比较，研究得出Bayesian Shrink阈值在去噪中具有较好的表现，实验结果表明其具有较高的峰值信噪比。