图像去噪是图像处理研究中的一个基本问题，目的是从噪声图像中估计出原始图像，同时尽可能多地保留图像的边缘、纹理和细节信息等。近年来，研究者们提出了很多算法用于高斯噪声去除，并且获得了很好的去噪效果，如三维块匹配(BM3D)滤波算法、非局部均值(Non-local means)算法。但对混合噪声，由于噪声分布的随机性和复杂性，使这类噪声去除问题变得更具挑战性。　　混合高斯、脉冲噪声是常见的一类混合噪声。目前这类噪声基本都是通过两步法处理，第一步探测脉冲噪声并对其替换，第二步处理高斯噪声。这类方法在脉冲噪声比例较低的情况下，能得到很好的去噪性能。但随着脉冲噪声比例的增加，去噪性能会急剧下降。基于这些原因，本文对混合噪声去除问题做了进一步研究。区别于传统的两步法，本文利用权值抑制脉冲噪声，用稀疏非局部正则或低秩逼近/表示作为先验抑制高斯噪声，实现了同时去除高斯、脉冲噪声的目的。非局部自相似先验结合自适应正则展示了其强大的高斯噪声去除能力并获得了非常好的去噪效果，本文将这些特性统一起来用于混合高斯、脉冲噪声去除。对任何用于高斯噪声或者混合高斯、脉冲噪声去除的方法，在实现去噪的同时会过光滑图像的纹理信息，本文将图像梯度先验信息引入到混合噪声去除模型中，达到保留图像纹理、细节的目的。论文的主要工作总结如下:　　1.本文提出了加权编码及稀疏非局部正则(WESNR)的混合噪声去除算法。在WESNR模型中，没有非常明确的探测脉冲噪声步骤，而是通过加权编码的软脉冲像素探测同时处理高斯、脉冲噪声。同时，图像稀疏先验和非局部自相似先验结合到一起作为正则项来增强加权编码的稳定性。实验结果证明WESNR算法从定量测量及视觉质量两方面获得了很好的混合噪声去除性能。　　2.本文紧接着给出了基于加权低秩模型(WLRM)的混合噪声去除方法。通过将图像的非局部相似块组合成矩阵，利用矩阵的加权低秩逼近或表示来重构干净的图像。脉冲噪声通过自适应的权值得到抑制，而图像的全局结构及局部边缘由低秩模型得到很好保留。通过联合优化权值及低秩模型得到WLRM的解。实验表明WLRM算法可以有效地保留图像全局结构。　　3.非局部自相似先验结合自适应正则显示了强大的高斯噪声去除能力。然而，很少有研究将这些特性用于混合高斯、脉冲噪声去除。因此，本文提出了一个非常简单而有效的方法:基于稀疏非局部先验的两步法(SNTP)。在SNTP算法中，通过中值滤波探测那些可能是脉冲像素值的野点，则剩下的像素值主要受到高斯噪声的干扰。通过预学习的字典来编码无脉冲噪声的像素值达到高斯噪声去除的目的，并结合图像稀疏非局部先验为正则项。同时，利用自适应正则进一步提高去噪性能。实验结果充分表明SNTP算法结果优于目前其它方法的实验效果。　　4.不管是对高斯噪声，还是混合噪声去除，所有去噪方法都会丢失一些细小的图像纹理信息，并影响图像的视觉效果。为克服这点，本文提出了加权字典及梯度先验(WDGP)的纹理保留混合噪声去除算法。首先通过中值类型的滤波探测脉冲噪声位置，得到探测后的图像。接着，从该图像中近似估计原始图像的梯度直方图。最后，用图像的非局部均值替换脉冲噪声像素值，并使得去噪后的图像梯度直方图逼近原始图像的梯度直方图。实验结果表明，WDGP算法可以很好地保留去噪图像的纹理信息，使去噪后的图像看起来更自然。　　文章最后对本文的工作和不足之处做了总结，对一些未展开的工作做了简要分析，并对未来的工作进行了展望。