图像是人类进行视觉信息传递和快速获取有效信息的主要方式。然而,数字图像在采集、传输和存储过程中存在不可控因素,如环境光线的变化、成像系统的缺陷,以及不可避免的人为等诸多因素的影响,导致图像含有噪声、模糊重影等成像质量缺陷,影响图像真实信息的传递表达。目前,随着人工智能的高速发展,也就要求需对其应用提供更优质量的图像,但有时图像退化过程不可避免,图像降质过程不可逆,所以,对降质受损的图像进行复原很必要。传统的图像降噪复原处理的方法,不能有效恢复图像纹理细节信息,且部分方法过于平滑导致丢失图像有用信息,具有一定的局限性。近年来,图像处理中基于图像块的降噪方法已经广泛应用于的各个领域,并且能够取得较好的效果。现有典型的图像降噪方法如非局部均值(Non-Local Means,NLM)算法、基于高斯混合模型(Gaussian mixture model,GMM)的图像降噪算法等,是近年来提出降噪效果较好的算法,但仍存在噪声对图像中相似信息产生干扰、部分区域图像块的相似度较低以及图像的纹理细节信息丢失等缺陷,导致图像降噪恢复的性能普遍不够理想。本文运用图像块间的相似性,结合图像块聚类、图像块重排序等算法展开研究,以提高算法的降噪性能为目的,获得高性能的图像降噪恢复方法,进而获取高质量的恢复图像,在实际场景如医疗、机器视觉、安防交通等领域具有重要的研究意义和应用价值。本文主要工作归纳如下:1.对图像降噪相关理论与技术的研究进展进行总结,给出基于图像块的退化模型,研究了应用广泛的基于图像块的图像降噪思想,结合图像自相似性特征、图像块聚类以及图像块重排列等,为本论文算法奠定基础。2.针对经典的GMM块先验模型对图像降噪恢复后的画质偏向平滑,现有相关算法在处理含有受较大污染图像时普遍存在的噪声去除效果不明显、图像细节信息不突出以及算法复杂度高的缺陷,借鉴多变量高斯混合模型,提出一种基于图像块聚类的高斯混合模型图像降噪方法,该算法充分考虑图像块之间的自相似性,通过估计图像块和与其对应的相似像素聚类构成的高斯簇的相似度,计算图像重建聚集权重来恢复受噪声污染的图像。通过对比分析实验结果表明所提算法与现有算法相比,所提算法模型具有更好拟合自然图像统计特性的优点,通过对算法仿真实验的图像降噪结果进行客观图像质量评价,证明提出的基于图像块的降噪恢复方法具有有效性。3.针对图像重排序算法过程中图像块间相似性度量由统一的权重公式来确定距离,造成对图像块距离利用不足的缺陷,导致图像细节信息恢复不明显、图像降噪效果有待提升的问题,提出一种基于图像块重排序的NLM图像降噪算法。该算法充分考了图像中不同特征区域图像块的自相似性,通过将图像块分类为平坦区域和边缘纹理区域两类,对边缘或细节区域的块引入相关系数改进NLM算法中的欧氏距离,提高欧氏距离度量的精度,以获得适应不同分块区域的精确的权重。实验结果表明,所提算法具有比原NLM算法更优的边缘保持能力和降噪效果。