图像作为人们获取信息的重要来源,在获取、传输和存储过程中容易受到各种噪声的影响。医学超声图像以其成本低、使用方便等优点已经成为医学临床诊断的重要工具之一。但是,超声图像中固有的斑点噪声严重降低了图像质量,继而影响了对后续图像的处理,如特征提取、分析和诊断等。因此,医学超声图像预处理中的一个关键性问题是在保持图像细节和边缘的同时,抑制相干斑噪声。基于小波变换的医学超声图像去斑点噪声算法有着重要的意义,本文的主要工作包括以下几个方面:1.小波阈值法是一种经典的小波去噪方法。本文首先分析了小波变换与傅里叶变换相比所具有的优点,描述了小波去噪的发展现状。然后简要的介绍了小波变换的理论知识,为本文小波域去噪算法奠定了理论基础。由于小波变换后系数具有去相关性特点,大部分的图像细节特征都保存在少数的大幅值系数上,虽然小波阈值法比较简单,但是其去噪性能非常好,因此得到了广泛的应用。本文就阈值函数的选取进行了重点讨论,并且阐述了噪声模型、噪声方差的估计和图像去噪的性能指标。2.基于Bayesian统计理论的医学超声图像斑点滤波算法的研究是如今的一个热点研究方向。图像进行小波变换后,小波系数之间仍然存在相关性,我们可以利用这些相关性对小波系数的概率分布进行精确的建模,在Bayesian统计理论的基础上利用此统计模型抑制斑点噪声,用这个方法可以显著提高去斑噪后图像的质量。本文通过对含斑图像作对数变换和冗余分解变换,实现了一种基于小波域局部统计特性的医学超声图像去噪算法。利用双边广义Nakagami分布和广义高斯分布分别对斑点噪声小波系数和信号小波系数建模,在贝叶斯最大后验概率估计(MAP)准则下推导出相应的萎缩法表达式,即GNDThresh和GNDShrink。实验结果表明,该算法与经典的去斑点噪声算法相比,信噪比和相关系数都有明显的提高,并且能很好的保存图像的纹理。