在如今信息化时代的背景下,图像已成为一种重要的信息传输介质,其广泛的需求量促使着图像复原技术不断发展。从图像内部相似性这一角度出发,最具代表性的就是非局部均值方法。这一类方法认为图像中有很多像素点是相似的,从而可以从同一图像中提取多组相似图像片,而后对每个像素点进行加权求和得到最终结果。而从图像外部相似性出发,图像片对数似然期望(Expected Patch Log Likelihood,EPLL)、稀疏表示和低秩逼近等算法通过大量提取相似图像片的方式,挖掘出相似图像片的统计或是结构特征,利用图像信息的冗余性达到去噪的目的。本文以图像结构先验信息为基础,通过糅合不同的算法理论提出新的图像去噪算法,取得了令人满意的效果。主要工作如下:(1)EPLL算法在处理图像复杂纹理部分时稍显不足,耦合低秩先验可以有效解决这一问题。我们依据图像自相似性,通过图像片提取算子来获取多组相似图像片。然后将每一组相似图像片向量化成一个行或列都具有高度相关性的低秩矩阵。将这一结构先验信息加入到先验学习的过程中去,可以更好地保存图像的复杂纹理信息。实验结果表明,与初始的EPLL以及其它一些经典算法相比,我们提出的方法不仅具有较好的数值结果,视觉效果也更佳。(2)传统的低秩方法在对相似图像片矩阵进行低秩逼近时,只考虑图像内部的相似性,这往往限制了它在去噪任务中的表现。为此,我们首先对图像做初步的稀疏编码处理,在去除部分噪声的同时,还使得相似图像片在稀疏变换下的系数矩阵具有了更好的低秩性,也就是一种结构化的稀疏性。对这样的系数矩阵进行低秩逼近,结合更新后的稀疏变换即可得到复原结果。实验数据表明,新方法较好地复原了图像纹理信息,并且具有更高的峰值信噪比(PSNR)。