随着太赫兹科学理论的发展和加工工艺的进步,太赫兹技术已在生产生活中发挥着越来越重要的作用。由于太赫兹波具有较强的穿透性和低损伤性,太赫兹成像技术在安全检测和医学检查等领域有着独特的优势。利用图像去噪和增强方法对太赫兹成像结果进行处理,可以改善成像效果。在太赫兹技术应用中,运用图像分割和边缘检测有助于实现安全检测与医学检查的自动化。鉴于此,本文的主要工作如下:首先,提出了一种基于局部主邻域字典的太赫兹图像去噪方法。采用局部共享的主邻域字典将灰度向量投影到低维子空间,通过投影向量的欧氏距离度量图像块的相似性,利用多点估计方法获得去噪图像。实验结果表明,与基于非局部均值(Non-Local Means,NLM)、基于主邻域字典(Principal Neighborhood Dictionary,PND)、基于NLM-SAP(Non-Local Methods With Shape Adaptive Patch)等图像去噪方法相比,本文方法具有更高的峰值信噪比和结构相似度。然后,探讨了一种基于空域引导图和快速局部拉普拉斯滤波的太赫兹图像增强方法。利用引导滤波处理后的图像构建空域引导图以指示图像的边缘强度,采用局部拉普拉斯滤波算法对图像进行增强,根据空域引导图控制增强程度。实验结果表明,与基于引导滤波、基于空域引导图的引导滤波、基于局部拉普拉斯滤波、基于快速局部拉普拉斯滤波等图像增强方法相比,本文方法对比度增益更高。其次,研究了一种基于区域方差加权项的改进CV模型图像分割方法。采用灰度方差表示图像灰度分布的不均匀性,并以此改进权重系数。利用全局拟合和局部拟合相结合的方式构建区域拟合中心,从而获得了更准确的分割结果。实验结果表明,与基于CV模型、基于灰度差能量函数引导的CV模型、基于图像熵引导的CV模型相比,所提分割方法速度更快,对模糊区域的分割效果更佳。再次,讨论了一种基于K均值聚类和改进CV模型的太赫兹图像分割方法。首先,运用粒子群优化的K均值聚类方法分割太赫兹图像,根据分割结果初始化水平集函数。接着,利用边缘指示函数改进的CV模型对图像进一步分割,以获得更加准确的分割结果。实验结果表明,与基于CV模型、基于边缘函数引导的CV模型以及基于K均值和CV模型的图像分割方法相比,本文方法能更快地收敛至目标边界。最后,实现了一种基于主成分分析(Principal Component Analysis,PCA)和活动轮廓模型的太赫兹图像边缘检测方法。首先将太赫兹图像分成若干图像块,运用灰度向量表示图像块的结构信息。接着利用PCA对灰度向量进行投影,根据投影向量构建拟合能量泛函,采用水平集演化的方法最小化能量泛函,从而获得边缘检测结果。实验结果表明,与基于CV模型、局部二值拟合(Local Binary Fitting,LBF)模型、SBGFRLS(Selective Binary And Gaussian Filtering Regularized Level Set)模型、RFACM(Robust Active Contours For Fast Image Segmentation)模型等4种现有的方法相比,所提方法鲁棒性更高,检测结果更加准确。