图像的噪声污染通常在图像数据的采集和传输阶段产生,图像中的噪声往往会影响后续的图像处理工作,包括图像编码、特征提取以及目标检测等等。图像降噪是其他图像处理任务的关键过程,它能够有效地提高后续图像处理技术的处理效果。基于稀疏表示和字典学习的图像去噪算法已经成为了最重要最先进去噪算法的一部分。本文对现有的基于稀疏表示和字典学习策略算法进行了描述和改进,具体研究内容如下:1.经典的K-奇异值分解(K-Singular Value Decompostion,K-SVD)算法通过字典对图像进行稀疏表示,在去噪的同时保持了原图像的有效信息。但是该算法在强噪声下性能较差,因此本文提出了一种基于字典更新和字典原子优化的图像去噪算法。首先利用加权的顺序字典学习(Sequential Dictionary Learning,SDL)的方法替代K-SVD算法,这样能够得到更为稀疏表示的图像字典;然后利用训练后字典原子的图像块特征结构性,并充分考虑原始图像的结构复杂度和噪声强度对字典原子的影响,自适应进行原子检测并删除噪声原子;最后利用优化后的字典重构图像。实验结果表明,所提算法与经典K-SVD等去噪算法相比,能够取得更好的去噪效果。2.传统的稀疏表示算法可通过外部先验的全局训练字典,或者含噪图像自身进行字典学习来达到去噪的目的。然而两者的单独使用都不能有效地表示图像,因此本文提出了一种自适应学习字典联合全局训练字典的图像去噪算法。首先使用K-SVD算法进行字典学习,然后对字典进行相关的原子检测,判断字典中无法合理表示图像的字典原子,再通过这些字典原子找到含噪图像中对应的图像块,用全局训练字典来处理这些图像块,最后重构图像。实验结果表明,所提算法在一定程度上使上述两种字典处理方式得到了优势互补,能取得相比较原始算法和其他算法更好的去噪效果。