梯度特征反映了图像边缘、轮廓与纹理等信息,在图像去噪中起着重要作用。本论文在对图像梯度特征进行分析的基础上,研究了图像梯度特征在图像去噪方法中的应用,提出有效的梯度约束去噪方法,对图像实现去噪同时保留其中边缘、轮廓和纹理信息,进而提升去噪图像清晰度的效果。论文的具体工作包括:(1)设计了一种多方向梯度约束全变差图像去噪算法。首先分析了传统去噪方法中只利用水平和垂直两个方向梯度的不足,提出了利用梯度算子在水平、垂直和两个对角方向分别与图像卷积提取多方向的梯度特征。其次,利用多种梯度算子同图像卷积提取图像的多方向梯度特征,将多梯度特征作为全变差图像去噪中的一个约束条件,通过求解优化问题得到干净图像。经过实验验证,多方向梯度特征约束的去噪方法,在去噪效果上比两方向梯度的算法更好,同时也获得更高PSNR值。(2)设计了一种基于多方向梯度特征的分区域图像去噪算法。首先利用图像的多方向梯度特征对图像进行区域分割。利用多方向梯度特征包含图像的边缘和纹理信息的特点,根据梯度特征值的大小将图像分为平滑和边缘两个区域。其次,对平滑区域利用平滑滤波的方法去除噪声,而对边缘区域则利用纹理保持较好的去噪方法。通过实验验证,相比不划分区域的去噪方法,分区域去噪可以在抑制平滑区域图像的噪声的同时,保留了边缘纹理区域的细节特征,提高了整体的去噪结果。(3)设计了一种分区域梯度约束全变差图像去噪算法。首先分析了无噪图像的梯度分布特征与含噪图像的梯度分布特征的不同,在利用梯度特征分割图像的基础上,提出对于不同区域采取不同梯度约束的方法。该方法对于平滑区域采取线性的平滑收缩,而对于纹理区域选择先平滑收缩再梯度锐化。通过普遍的线性平滑收缩可以去除掉图像中大部分的噪声,而对于纹理区域的梯度锐化则避免了由于平滑收缩产生的边缘模糊效果。实验结果表明通过分区域梯度约束后的图像去噪算法可以得到较好的去噪结果。