作为信息传递的媒介,图像在传输和存储的过程中,会产生各种各样的噪声,影响人类对图像中有效信息的读取,使得图像去噪一直受到广泛的关注。近年来,随着科学技术的发展,高质量和高清晰度的图像在国家安全、科学研究和日常生活等方面有越来越大的需求,因此,如何从被噪声污染的图像中恢复出清晰图像一直是图像处理领域的一个挑战。对于受脉冲噪声污染的图像而言,一般具有两个特点:首先,噪声图像中只有一部分像素点被噪声污染,还有一部分像素点是清晰的;其次,噪声图像中受脉冲噪声污染的像素点灰度值通常处于图像像素点灰度值动态范围的两端。第一个特点意味着能够利用清晰像素点提供的信息从受脉冲噪声污染的图像中恢复出清晰图像;第二个特点则将通过噪声检测算法检测出受脉冲噪声污染的像素点检测出来变为可能。传统算法的噪声抑制机制首先对噪声图像噪声检测,并以含噪像素为中心建立窗口,利用窗内的清晰像素点通过统计类方法计算被噪声污染像素点的灰度值,利用滑动窗口方法对噪声图像遍历,完成图像恢复。这类算法存在一些不足:首先,众所周知,算法对图像噪声去除的效果在很大程度上取决于其对图像局部结构特征的刻画能力。然而传统算法在计算噪声像素点灰度值中,利用的是局部窗内清晰像素点的统计特征,而忽略了像素点的结构特征;其次,图像的像素点之间存在相关性,在图像处理的一些应用中已经证明考虑到像素点相关性会得到更好的处理结果。然而传统算法在使用滑动窗口方法对噪声图像遍历时,只对局部窗内的中心像素点进行处理,认为像素点是单独存在的,未将与邻域像素点具有的相关性考虑其中,缺少邻域内像素联合求解分析的过程,计算精度难以提高;最后,传统算法在噪声抑制的过程中,首先进行脉冲噪声检测,只有准确检测出噪声像素点,才能对这些像素点进行抑制,由此看来,检测精度越高,图像恢复效果越好。因此,传统算法会花费大量的计算成本用于设计高检测精度和准确度的噪声检测算法。针对上述问题,本文中提出基于图像结构特征的图像噪声抑制算法。本文算法与传统算法的主要区别在于有效分析图像统计特征的同时,利用自回归建模分析充分挖掘和利用图像的结构特征来实现图像的有效去噪,得到高于现有算法的恢复精度和准确度的恢复效果。另外,在自回归建模和恢复图像的过程中,通过优化问题求解的方法在一个区域内同时求解一族像素而非一个像素。最后,由于对噪声像素联合估计,即使存在虚警率对图像的恢复效果影响也不大,因此采用简单的直方图检测方法对噪声图像噪声检测,计算成本主要集中于噪声抑制阶段。在本文算法中,图像中的所有清晰像素点均作为已知条件约束噪声抑制过程,因此能够高效抑制噪声的同时有效保留图像的边缘和纹理等细节信息。通过实验仿真进一步验证了本文算法在主观评价和客观评价方面均优于传统算法。