由于各类图像收集设备存在的物理局限性,图像在提取和传输的过程中无法规避地出现很多随机噪声的干扰。噪声可以被理解为一种信号失真,阻碍图像的观测和有用信息提取。从硬件角度,采购更为优质的设备可以从源头提升采集图像的质量,但是这种方法会消耗大量的资金。从软件技术角度,通过图像处理的后处理方法,也可以提高获取图像的质量。图像去噪是图像分析和处理领域的基础技术,可以有效地去除图像中杂乱的干扰信号和无效信息,萃取高质量的图片。图像去噪作为图像处理过程的首要步骤,有助于提高图像后续处理过程的准确度,比如视觉增强、特征检测、目标识别等。图像的先验在图像去噪的过程中发挥着非常重要的作用,通过结合各种各样的图像先验建立合适的正则化去噪模型,可以有效地恢复去噪后图像的质量。近年来,基于图像各类先验的去噪方法得到了广泛研究,比如利用了图像梯度先验的全变分算法,利用基于图像块的非局部自相似性先验、稀疏性先验等,都取得了比较显著的去噪结果。图像的非局部自相似性是由于图像具有很多重复的纹理和结构,导致很多像素虽然空间位置上是不相邻的,但其灰度特征是相似的。低秩建模是一门经典的方法,在去噪的过程中利用图像非局部特性构造低秩矩阵,可以有效地恢复图像大部分信息。由于人类视觉感知系统对图像的纹理边缘等高频信息更为敏锐,加强目标的高频信息可以提升被恢复图像的视觉效果。本文围绕着图像的非局部自相似性特征和全局结构正则化开展图像去噪算法的研究。运用图像的非局部自相似性生成相似块矩阵,奇异值分解（singular value decomposition,SVD）可以在最小二乘意义上实现最佳能量收缩,有效得出相似块矩阵的低秩近似估计。由于图像的不同区域具有不同的相似特征冗余度,本文首先通过非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）方法将图像分解为平滑区域,纹理区域和边缘,提供自适应块匹配的方法,以提高低秩近似的精度。然后对不同区域采取自适应块匹配,组成相似图像块矩阵,本文通过分析图像和噪声之间存在的数学关系,提出一种新的估计噪声标准差的公式,用于逼近低秩矩阵的秩,通过奇异值截断法对相似块矩阵进行低秩估计,经过图像重构获得保留图像大部分信息的底层去噪图像。为加强图像的全局结构,进一步将图像分解为低频分量和高频残差,为高频分量添加四方向的梯度算子约束,过滤噪声信号,重构高频结构信息。最后,本文通过增广拉格朗日乘子法和交替方向乘子法将两部分先验结合到一起进行迭代优化,有效的提高了去噪结果。本文提出的基于图像的自相似性和全局结构稀疏性的图像去噪算法,可以充分运用图像的冗余信息,对图像的区域分解具有指导作用,能够加强图像的相似块分类的准确性,新的基于全局结构正则化方法有利于增强图像的边缘和纹理信息。实验结果的分析表明,与其他先进的去噪算法相比,本文算法能够高效的减少图像中的噪声,在量化指标上高于其他算法,在视觉感知效果上保持了细节信息。