图像降噪是机器视觉和图像处理领域中的一个重要组成部分,图像中的噪声对于后续图像分析具有很大影响。本论文针对图像中常见的噪声类型:高斯噪声、脉冲噪声和斑点噪声进行分析研究,基于偏微分方程(PDE)图像降噪理论,对于不同类型的噪声,提出了不同的降噪方法。在此基础上,本论文还研究了图像质量评价问题。对于图像中最为常见的高斯噪声,本文提出了一种采用图像中全局和局部信息相结合的信息来控制非线性扩散方程的方法。结合全局和局部信息的方法能自适应区分图像中的边缘、噪声点和平坦区域,从而克服了传统非线性扩散方法中仅用局部梯度信息来区分图像边缘和噪声点的不足。本文提出的非线性扩散方法和传统非线性扩散方法的对比实验表明本文方法具有很强的鲁棒性,处理后的图像质量明显提高。针对脉冲噪声,提出了一种基于两阶段的脉冲噪声滤除算法。在算法的第一阶段,提出一种列队差异增强噪声检测器来检测图像中所有可能的脉冲噪声点。在算法的第二阶段,对所有的噪声候选点进行自适应中值滤波,滤波窗口的大小根据噪声密度自适应调整,滤波窗口中的中值操作像素点根据元素属性自适应选择。该算法能对图像的边缘、细节部分和非噪声点进行保护。在此基础上,本文将这种自适应算法的思想应用于变分降噪的算法中,提出了自适应变分算法。实验表明,自适应变分算法在滤除脉冲噪声的同时可以有效地保护图像细节,尤其是在噪声密度大的情况下,去除脉冲噪声的效率得到了很大提高。注意到医学超声图像经常受到斑点噪声污染,本文提出了一种将图像分解和几何分析相结合的算法来去除超声图像中的斑点噪声。针对超声图像中斑点噪声为乘性噪声这一特性,将经典的ROF图像分解模型引入到适合于受乘性噪声污染的图像分解。超声图像经此模型分解成轮廓部分、细节部分和噪声部分,然后对分解后的差值图像进行Ridgelet降噪,由于Ridgelet降噪克服传统小波分析方向性上的不敏感的缺点,因此该方法能很好地保持图像边缘。本文算法处理后得到的图像无论是在斑点噪声去除方面还是细节保护方面都要优于传统的非线性滤波器和小波分析方法,本文的去斑算法为医学图像的目标分割和三维重建提供了更好的预处理方法。最后,本文研究了图像质量评价的问题。引入了几个对图像质量比较敏感的评价指标,如图像的边缘锐度、平均梯度、能量和噪声程度估计,然后采用支持向量机对不同质量的图像进行分类,从而实现对图像质量的评价。