在过去半个多世纪,尽管图像去噪技术取得突飞猛进的发展,但现有图像去噪方法的性能仍不理想。为此,通过联合先验建模,本文先后提出基于结构约束低秩逼近的图像去噪方法和基于细节注入卷积神经网络的图像去噪方法。通过仿真模拟带噪图像和采集真实图像,经实验验证表明,本文方法在去除噪声的同时能够有效恢复图像的结构细节,效果通常超过现有大多数主流的图像去噪方法。(1)基于结构约束低秩逼近的图像去噪方法:作为一种基于模型驱动的方法,本文方法结合基于结构自相似性先验的低秩正则项,同时通过引入形状感知核函数设计核维纳滤波正则项,建立基于全局和局部先验联合的图像去噪模型。利用交替方向乘子法(Alternating direction multiplier method,ADMM)将这个复杂的非凸优化问题分解为3个子问题并通过逐个依次求解和循环迭代,最终获得去除噪声的图像。实验结果表明,该方法能够获得较好的图像去噪效果,通常超过当今最先进的基于模型的图像去噪方法,有时甚至超过基于深度学习的图像去噪方法。(2)基于细节注入卷积神经网络的图像去噪方法:由于上述基于结构约束低秩逼近的图像去噪方法存在手工刻画特征造成的建模瓶颈且模型参数调节繁琐,尤其难以适用于大数据图像去噪问题,为了突破现有基于模型驱动方法的局限性,本文利用小波变换提取图像高频信息作为局部先验,结合空域卷积神经网络作为全局先验,同时设计多尺度可学习的激活函数来取代传统激活函数,提出一种细节注入卷积神经网络模型,并将其用于图像去噪。通过大量模拟仿真和实验验证,结果表明该方法不仅能够有效去除噪声,还能够恢复细微的图像结构,与现有最先进的图像去噪方法相比,通常获得更好的主客观去噪效果。