在信息技术和互联网技术日新月异以及网络社交软件快速普及的今天,数字图像已经成为人们日常生活中重要的信息载体。然而,在实际工程应用中,由于拍摄设备、拍摄环境、传输处理等一系列原因,图像经常会受到不同类型的噪声污染,导致图像质量下降。噪声的存在严重影响着图像信息的获取以及图像后续的处理和分析。因此,去除图像中的噪声在图像处理和计算机视觉领域显得尤为重要。如何在滤除噪声的同时尽可能多地保持图像结构信息是图像去噪研究的核心问题。一直以来,国内外众多研究学者投身于图像去噪领域,提出了许多优秀的图像去噪算法。其中非局部平均(Non-local Means,NLM)去噪算法是图像处理领域具有里程碑意义的算法,NLM算法的提出开启了影响深远的非局部方法。与传统的局部去噪方法相比,NLM算法利用自然图像存在的自相似冗余信息去除噪声,获得了更好的图像细节保持能力和去噪效果。本文对NLM算法进行了深入研究,并针对算法中存在的运算复杂度高、强噪声条件下结构保持能力有限这两个问题进行研究。本文的工作主要包括以下两个方面:(1)采用传统的NLM算法对一幅含噪图像进行处理,当计算一个像素点处的像素值时,首先计算以该点为中心的图像块与以搜索区域中其他像素点为中心的图像块之间的相似度,然后将相似度作为权重来调整该像素值。该方法虽然获得了较好的结果,但是算法的时间复杂度高。针对这一问题,本文基于互相关和快速傅里叶变换(Fast Fourier Transformation,FFT)构造了一种快速算法。该算法对NLM中加权欧氏距离的计算进行了简化,借助互相关滤波来减少NLM算法中的重复计算,其中互相关滤波可通过FFT加速实现。数值实验表明,快速算法较之经典算法,在标准参数配置下运行速度可提高27倍左右,明显降低了算法的时间复杂度。(2)NLM算法可以滤除噪声,但也会使图像的细节信息变得模糊。尤其是当图像中含有强噪声时,NLM算法的去噪效果会趋于均值滤波的去噪效果,使图像的结构和细节信息丢失,图像变得非常模糊。针对这一问题,本文提出了一种渐近非局部平均(Asymptotic Non-local Means,ANLM)去噪算法。该算法利用方差的性质来控制滤波参数,对图像进行多次滤波,以此来增强图像去噪后边缘结构的保持能力。实验结果表明,渐近非局部平均较之经典非局部平均,在峰值信噪比和结构相似度上都有一定的提高。特别是在强噪声情况下,该方法能在滤除噪声的同时更好地保持图像边缘细节信息。