图像去噪作为计算机视觉领域的一个基础课题一直是学术界的研究热点。基于冗余字典的稀疏表示算法近年来得到越来越多的研究与讨论。K-SVD字典学习算法作为构造自适应冗余字典的一种有效方法,在基于冗余字典的图像去噪中得到越来越多的应用。此外,随着去噪算法的发展,去噪增强算法作为提高去噪算法性能的一种辅助手段也逐渐受到了学者们的重视。本文对K-SVD字典学习算法进行研究,提出了一种基于正则化模型的改进算法;对图像去噪流程中的SOS去噪增强算法进行了讨论与研究,针对SOS算法的不足提出了一种改进的框架;考虑一种将以上两种改进后的算法结合在一起的新算法,并应用到图像去噪中。本文的主要工作如下:1.阐述了K-SVD字典算法的原理,分析了限制K-SVD算法性能的原因。在此基础上,提出了一种基于正则化模型的K-SVD算法,并将正则化模型推广到其衍生算法AK-SVD算法中。仿真实验表明,基于正则化模型的K-SVD算法以及AK-SVD算法所生成的字典在训练精度上更高,而将正则化模型和AK-SVD相结合能在降低算法复杂度的同时,提高算法的精度。2.讨论了SOS去噪增强算法的原理,分析其收敛性与可用性。针对SOS算法在实际应用中无法自适应终止这一不足,引入了差分PSNR的自适应终止条件,提高了SOS框架的灵活性。仿真实验表明,改进后的SOS增强算法能够在达到预设门限时退出迭代,节省了大量时间。3.以矩阵变换的形式描述了改进后的K-SVD字典学习算法,并分析了矩阵的性质,得出改进后的K-SVD字典学习算法满足SOS增强算法的收敛条件。在此基础上,将两种算法结合在一起,并用实验仿真验证新算法的有效性。仿真实验表明,基于K-SVD算法的SOS去噪增强算法能显著提高原算法的去噪性能。