图像在产生和传输的过程中,由于传输设备的问题,不可避免的会参杂着一些噪声,这些噪声将会对图像的视觉效果产生影响,所以图像去噪一直是图像处理领域中重要的环节。基于非局部相似性和稀疏表示的去噪算法是近年来研究者非常关注的问题。非局部相似性算法考虑了图像内部结构存在自相似性的特点,并利用冗余信息来估算图像像素的真实值。而稀疏表示模型的思想是在变换域内对输入图像进行稀疏表示,然后将阈值对稀疏表示系数进行过滤,实现去噪的目的。本文从图像的非局部自相似性和稀疏表示去噪模型出发,对非局部中心化稀疏表示(NCSR)和稀疏非局部正则化加权编码去噪算法(WESNR)进行研究和改进,主要改进内容包括以下几个方面:1.分析了近年来在图像去噪中广泛应用的非局部均值和稀疏表示模型。发现虽然非局部中心化稀疏表示模型(NCSR)在非稀疏噪声(如高斯噪声)的处理中有优良性能,但对椒盐、周期噪声以及(高斯、椒盐、周期)混合噪声这样的稀疏噪声,其去噪效果却不理想。为此,本文提出一种改进的非局部中心化稀疏表示(MNCSR)算法。改进的算法由两个阶段组成:首先利用自适应中值滤波去除噪声的稀疏性,然后利用NCSR算法去除上阶段残余的噪声。对比实验结果显示,本文提出的MNCSR比原始的NCSR算法更有效,对混合噪声的去噪效果尤其显著。2.围绕着混合噪声去除问题,通过实验我们发现:融合图像稀疏性和非局部相似性于一体的稀疏非局部正则化加权编码去噪(WESNR)算法,在较低强度的混合噪声去除上具有比较理想的效果,但当混合噪声强度较高时,去噪效果并不如人意。为此,本文在分析WESNR算法理论依据的基础上,借鉴弹性网的思想通过加入l2正则项,提出了弹性网-稀疏非局部正则化加权编码去噪(CN-WESNR)算法。对比实验结果显示,改进后的算法能充分利用图像中稀疏性和非局部相似性的先验知识,对于高强度的混合噪声比原算法具有很好的去噪能力。