磁共振成像(magnetic resonance imaging,MRI)是与CT、同位素扫描、超声图像等一样重要的医学图像诊断手段。与其他医学成像方法相比,磁共振成像具有软组织对比度率高、对人体无电离辐射危害、能够反映器官或组织的生化特征等优点,已成为脑功能病理研究和心血管系统疾病诊断的主要手段,是医学影像学领域中最活跃的技术之一。但是,由于采集和变换过程复杂,医学磁共振图像在处理、传输过程中容易受到噪声污染,磁共振时间序列信号内的有用成分弱,而且在成像过程中复杂的电磁场环境容易受到人体热噪声干扰,造成噪声引起局部区域不清晰的现象,这给MRI图像的诊断分析和利用带来许多的困难。因此,探讨能消除MRI图像噪声的方法有着重要的临床意义和应用价值。常用的磁共振图像去噪方法有中值滤波,维纳滤波,基于直方图的滤波等等。但是由于这些去噪方法对磁共振图像噪声成分分析得不够透彻,用它们来对磁共振图像去噪的时候,处理效果不能满足医学诊断的需求。近年来,小波分析和基于偏微分方程在图像去噪方面得到了广泛关注,但磁共振图像经过这些方法去噪后,边缘变得模糊。基于各向异性扩散滤波的图像平滑方法虽然在去除噪声的同时保留了图像边缘信息但是造成图像的细节信息部分丢失,容易造成临床医生的误诊或漏诊。为了克服上述方法的不足,本文在基于梯度能量函数的全变分算法的基础之上,结合Bregman距离的迭代正则化方法,围绕全变分图像去噪的中心问题进行了研究,提出了相应的磁共振图像去噪算法。本文的方法综合了全变分和迭代正则化算法的优点,对迭代正则化算法中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法。原来算法中的正则化参数对于图像中每一个像素都是同一个值,而本文算法得到的正则化参数,对应图像中不同的像素会有不同的值,从而有效地保持了图像不同区域去噪与保留细节之间的平衡。该算法在有效去除噪声的同时,很好地保留图像的边缘和纹理细节信息优于全变分算法和迭代正则化算法。实验结果证实了所提算法的有效性,算法速度优于全变分算法,且图像信噪比(SNR)较原有方法至少提高1.0 dB以上。本文前面章节首先对图像去噪的现状作了详尽的介绍。这部分主要介绍包括维纳滤波、小波分析、扩散方程等传统的图像去噪方法的原理及应用。然后针对全变分算法的特点,对它的理论基础、特点和应用范围作了详细的阐述。并对正则化算法中的Bregman距离、正则化迭代等理论基础作了全面的介绍。第四章详细介绍了基于自适应正则化的全变分去噪算法。最后,本文对医学图像去噪领域的前景和趋势作出了总结和展望。