数字图像作为对自然场景最直观的描述,在视觉应用中有十分广泛的需求。然而,由于成像系统的局限性,通常导致成像分辨率太低或者伴随噪声。图像重构是通过算法的手段,从退化图像恢复高质量的图像,从而避免对硬件系统的改动。随着视觉应用领域对图像质量的要求越来越高,图像重构问题已经成为计算机视觉领域的热门问题。现有图像重构的方法主要分为两类:模型驱动的方法和数据驱动的方法。前者从退化图像中学习原始图像的先验知识并构建参数模型,通过求解优化问题重构图像。而后者基于大量的训练数据,通过学习退化图像到原始图像之间的映射关系,利用学到的离线模型直接实现高质量图像的估计。模型驱动的方法对退化模型鲁棒但是所学到的先验知识不足,而数据驱动的方法有强大的学习能力但是对退化过程敏感,同时依赖大量的训练数据。虽然图像重构研究取得了非常大的进展,但是很少有方法能够有效地结合这两类思路。并且现有方法存在先验信息学习不准确,以及图像强噪声(噪声方差较大)去除效果有限等问题。本文针对以上问题,以模型驱动的方法为基础,结合数据驱动的思路,围绕准确的图像先验学习方法开展研究。本文面向图像超分辨和去噪问题,通过融合两类传统思路,提出结构稀疏模型的学习方法,旨在提升图像重构性能的同时,跨越两类现有方法之间的鸿沟,为稀疏模型学习理论和图像重构方法提供新的思路。本文主要的研究内容和创新点如下:1.提出一种基于内容检索的图像超分辨算法。考虑到现有算法在图像超分辨问题上的有各自的局限性,本文提出一种新颖的的混合方法。这里我们利用参数化稀疏分布来刻画高分辨图像的先验知识,并从相似图像和低分辨图像中学习准确的分布参数。首先,本文提出利用非零均值拉普拉斯分布刻画原始图像的稀疏先验,并从最大后验概率估计出发,推导得出相应的稀疏表示模型;其次,对于给定低分辨图像,从图像库中检索相似图像,并经过全局配准作为参考图像;最后,通过块匹配从参考图像中学习稀疏分布的参数,即均值和方差,再结合本图非局部相似性,实现对分布参数的准确估计。本文进行了较大倍数和含噪图像的超分辨对比实验,结果证明了所提算法学习高频信息的有效性和对噪声的鲁棒性。2.提出一种基于内容检索的图像去噪算法。当噪声强度变大时(如噪声标准差大于50),图像结构被噪声严重污染,现有的图像去噪算法(模型驱动或数据驱动)性能都会明显下降。针对该问题,借鉴第一个工作的思路,本文提出从参考图像和噪声图像中学习干净图像的稀疏先验,并应用拉普拉斯尺度混合模型对该稀疏先验进行刻画。给定噪声图像,首先利用图像检索算法检索内容相似的图像,并进行全局配准。为了提高检索准确性,这里采用了基于卷积神经网络特征的检索算法。其次,对于给定噪声图像块,结合参考图像中的相似块及非局部相似性,学习对应稀疏分布的准确参数。最后,利用学习到的先验知识构建稀疏正则项,并通过求解优化问题重构干净图像。实验结果证明,当噪声强度较高时,所提方法实现了较好的去噪效果,且优于对比算法。3.提出一种基于结构稀疏模型学习的图像超分辨算法。上述图像重构的方法是基于相似图像来设计的,对于一般的自然图像,其泛化能力存在局限性。本文基于以上图像重构算法的思想,提出一种面向一般自然图像的超分辨算法,即基于大量训练数据,学习离线模型来估计高分辨图像的稀疏先验,并用于构建结构稀疏模型。首先,在上述工作的基础上,本文利用拉普拉斯尺度混合模型刻画原始图像的稀疏先验,并构建对应的结构稀疏模型。在该模型中可以实现分布参数的联合估计。其次,构造大规模图像块训练数据,学习从低分辨图像块到高分辨图像块之间的映射关系。然后结合本图的非局部相似性,可以准确估计原始图像的先验分布参数。本文进行了相应的对比实验,在标准测试集上的超分辨结果证明,针对不同的退化过程以及含噪图像的超分辨问题,所提方法均实现了比对比算法更好的超分辨性能。