在这个数字化的时代,图像复原技术已然成为学术界、工业界探讨的热点问题。近年来,基于多元有限混合模型的图像去噪方法吸引了学者们的注意力。有限混合模型是一种介于非参数模型与参数模型之间的半参数模型,凭借强大的数学理论作为支撑具有更强大的泛化能力。它可以被看作是多个单一模型的加权线性叠加,理论上只要模型个数足够多就能逼近任意的分布,其中高斯混合模型被应用地最广泛。图像片对数似然期望(Expected Patch Log Likelihood,EPLL)算法把高斯混合分布作为图像片的先验构建去噪模型,该方法对于去除退化图像的噪声有着不俗的效果,但与此同时它依然有着一定的缺陷存在提高的空间。本文主要的研究工作有以下两部分:(1)针对原始EPLL去噪算法未考虑图像结构特征的问题,增加了一项边缘恢复正则项。原始的复原方法中去除噪声时未考虑图像的结构信息而过度平滑使得边缘也被模糊掉。将局部方差的大小作为图像分区的依据,将整张图像分为边缘区域及同质区域。通过复原图像与降质图像边缘区域局部方差的变化量衡量边缘恢复的程度,并以此构建边缘恢复正则项作为EPLL去噪模型的约束条件。实验结果表明与原始去噪方法相比,该改进算法不仅在视觉效果上保留了更多的边缘信息,数值结果(峰值信噪比)也存在一定的提升。(2)考虑到EPLL去噪算法中正则化参数是一个常数的问题,提出了新的自适应参数及指数自适应的梯度保真项。原始去噪模型中的正则化参数是一个常数,这就意味着整张图像的去噪力度都一样,易导致图像边缘、细节信息的丢失及阶梯效应。提出的结合自适应参数与梯度保真项的方法在同质区域以较大的力度去除噪声,在边缘区域适当减小去噪力度保持图像边缘,保留了更多的图像细节,并减缓了EPLL去噪算法导致的阶梯效应。