图像在获取、传输、存储等过程中常常会受噪声的干扰,使其质量下降。含噪图像极大的影响了人们从图像中获取有用信息,所以很有必要在分析和使用图像之前对它进行去噪。图像去噪本身是一个不适定问题,解决该问题的有效方法之一是基于正则化的方法,即依据对图像所做的假设,通过大量先验信息构建正则项,最终生成函数模型。相较于传统的去噪模型,全变分正则化模型在去噪的同时能很好地保持图像的边缘特征,然而该算法只是利用图像中单个像素点或某个邻域内的灰度值或梯度进行处理。受非局部均值滤波思想的启发,人们考虑利用图像的自相似性,提出了非局部框架下的全变差正则化模型NL-ROF,该去噪方法不仅有效的降低了ROF引起的阶梯效应,而且在保持图像边缘等细节信息方面取得了更好的效果。本文在深入分析非局部均值滤波的基础上,介绍了前沿的NL-ROF去噪模型,并就该模型的正则化函数进行了较为深入的研究。主要研究工作如下：1.本文分析了图像去噪的研究背景及意义、简述了国内外研究现状；介绍了图像去噪的理论基础,包括数字图像的表示、退化图像模型、噪声模型和分类,以及图像去噪性能的评价标准。2.本文将非局部均值滤波看作空域均值滤波的一种发展形式。首先,对空域均值滤波的原理和发展过程进行了介绍,并给出了几种典型的空域滤波去噪方法。其次,重点介绍了NLM去噪算法的基本原理及显著特点。最后,通过仿真实验对各个去噪算法进行了对比研究。3.本文介绍了正则化去噪算法的基本原理,简要分析了其发展过程,着重研究了非局部框架下的正则化去噪模型(NL-ROF),并与经典的NLM算法、ROF算法进行了实验对比研究。4.本文对NL-ROF的改进算法,围绕基于非局部的正则化函数展开。在进行权值计算时,提出用SSIM替代欧式距离来度量两个图像块之间的相似性,针对噪声会影响原始图像块的SSIM估计值这一问题,提出了一种两步计算方法。用Matlab进行仿真实验,结果表明,融合了SSIM的NL-ROF去噪模型能够更好的保持图像的边缘等细节信息。