X射线计算机断层扫描(X-Computed Tomography, X-CT)成像是一种重要的医学影像图像诊断技术,与磁共振、超声等同样是医生获取信息的重要来源。与其他医学成像方法相比,X-CT医学影像图像具有组织结构密度分辨率高,对人体损害小等优点,对病理学和解剖学的研究非常重要。但是在X-CT机扫描过程和传输图像过程中,会产生图像模糊不清或者边界不明显等现象,致使X-CT医学影像图像的可读性不高,医生无法准确诊断。因此,探讨医学影像图像在临床的应用意义重大,研究消除X-CT医学影像图像噪声的方法具有很高的应用价值。传统的X-CT医学影像图像去噪方法有均值滤波、中值滤波、空域维纳(Wiener)滤波等,但这些去除噪声的方法在对X-CT医学图像去除噪声的同时一些重要的细节信息也模糊了,其图像的处理效果满足不了医学诊断治疗的需要。而目前被广泛应用的小波变换图像去噪方法其虽在时频域具有多分辨率的特性,但缺乏在方向性上的不足,使得处理后的图像信息在边缘轮廓和细节特征处会产生一定程度的模糊,难以完整的捕捉到图像的轮廓信息,因而不是最优的图像稀疏的表示方式,由此会增加临床医生漏误诊的几率。为了克服上述方法对X-CT医学影像图像噪声成分分析不够透彻等不足,本文首先选用了能够很好地抓住图像的几何结构特性,并能有效的实现图像信息的局部的、多方向性的、多分辨率的一种真正的图像的二维表示方法——Contourlet去噪算法。然而由于Contourlet变换采取的是下采样的操作,缺乏平移不变性,会产生伪Gibbs现象,使得去噪后的图像失真,故对原Contourlet变换进行了改进,提出了非下采样Contourlet变换,克服了原Contourlet缺乏平移不变性的缺陷。本文根据此变换,提出了一种改进的X-CT医学影像图像去噪算法,该算法是以Context模型为基础的经改进变换系数阈值的非下采样Contourlet变换,并进行了仿真实验和分析,经实验结果分析比较表明该算法不仅提高了峰值的信噪比,还更好的保留了图像的细节特征,有效的改善了X-CT医学影像图像的质量。其次,本文利用一种新图像信号处理方法盲信号处理的重要分支独立分量分析(Independent Component Analysis, ICA),提出一种改进的基于独立分量分析的X-CT医学影像图像去噪算法。该方法从分离的角度出发,认为当某一X-CT医学影像图像受到方差不同的同一噪声源的两次不同污染后,在ICA的分离过程中,得到两个新的混合图像；而经过ICA分离后的图像,得到分离矩阵,依此矩阵与原混合图像进行矩阵的相乘就会得到分离的原图像以及噪声图像。实验仿真结果说明,该算法可有效提高ICA算法的性能并能获得较高的峰值信噪比,尤其是在图像受到严重噪声污染时,借助参考噪声的图像可以很好地恢复出原图像。