本文研究的主要内容是全变差模型、K-SVD和小波变换在去噪中的应用,正则项系数的自适应选取,以及相关算法的优化和改进。如今随着数字科技的不断进步和发展,数字图像处理也越来越广泛的应用到了生产生活中,如生物特征的识别、交通管理、冶金工业、军事等领域,逐渐成为智慧城市,智慧社会发展中不可或缺的强有力工具。图像在数字化处理的过程中,受到多种因素干扰是必然的,所以图像受到噪声的污染导致图像质量下降甚至丧失其研究价值的情况将不可避免的发生。故此提升图像处理的技术,从而有效的削弱噪声的影响使得重要的图像数据能够保存其研究价值就显得尤为重要。在现阶段的图像去噪模型中,全变差图像复原模型以其良好的数学性质、高效的数值算法以及对图像本身存在的局限性相对较少的优势,在图像处理领域拥有着广泛的关注。小波变换以其可变焦的优势,可以使得图像在频域中更有效的储存边缘和平坦区域的信息,也有效的帮助了本文在预处理图像时获得更准确的平坦图和边缘图。K-SVD模型作为近10年来最受关注的图像处理模型,能够在更快捷地处理图像的同时拥有不弱的去噪效果的优势为图像去噪领域的推动起到了很大的作用。本文首先介绍几种经典的全变差模型,并且主要研究了自适应全变差去噪模型,根据该模型的优缺点,将自适应全变差去噪模型进行了改进,建立了将保真项等价分解为平坦图保真项和边缘图保真项的新模型,其中平坦图和边缘图的获取由小波变换取得。然后介绍求解全变差去噪模型的ROF算法,经过深入研究后,将ROF算法进行优化,使其原本只能够通过大量实验总结人工选取的正则项系数可以由计算机自适应选择。最后本文列举并介绍K-SVD模型,并对K-SVD模型正则化,使其适应本文的主要研究内容——自适应全变差去噪模型。从而得到一个精准便捷的图像去噪模型。通过实验验证,本文提出的模型与算法,继承了全变差模型的优点,在保护边缘和去除噪声上有着较好的实验效果。同时简化了实验过程(取消了为选取合适的正则项系数而进行大量实验的步骤),并且,由于与K-SVD模型的融合,极大减少了计算机的运行时间,降低了时间成本。