在当今的互联网大数据时代,作为传递着重要信息的图像,对于人类社会的科研、教育、军事等各个领域都起着极其重要的作用,尤其随着5G技术的到来,这种作用更为明显。然而图像在获取、传输等过程中,会因外界或人为等因素而引入噪声,对图像的质量造成严重影响,导致有用信息的缺失,进而对社会各个方面都会造成影响。因此,对于图像中噪声的去除是一个极具意义与经久不衰的话题。对于图像去噪技术的研究自上个世纪就开始了,专家学者们提出了众多有价值的图像去噪算法。随着2005年非局部自相似性理论的提出,对于图像去噪的研究开始迈入一个新纪元。本文以非局部自相似性为基础,结合低秩、稀疏表示理论,对加权核范数最小化方法(WNNM)和非局部中心化稀疏表示算法(NCSR)进行研究与改进,主要内容和创新点如下:(1)介绍了低秩理论及近年来较流行的基于低秩的去噪算法,对WNNM算法进行了重点分析。在明确WNNM算法对于高斯噪声这类非稀疏噪声具有很强的去除效果,而对于椒盐噪声、周期噪声这类稀疏噪声去除效果不强甚至是很差的基础上,提出一种结合WNNM与自适应中值滤波优势的改进算法,即首先利用WNNM算法有效地去除高斯噪声等非稀疏噪声,然后利用自适应中值滤波算法去除椒盐噪声、周期噪声等残留的稀疏噪声。实验表明,改进的算法在主观视觉及图像质量评价指标方面,均有良好的效果。(2)介绍了稀疏表示理论及近年来较流行的基于稀疏表示的去噪算法,对NCSR算法进行了重点分析,针对NCSR算法学习字典时使用噪声图像的欧氏距离作为度量进行K均值聚类会影响图像块相似性乃至字典质量,提出利用外部干净图像先验知识学习的混合高斯模型指导图像内部聚类,有效避免了噪声的影响;针对NCSR算法估计稀疏系数时采用欧氏距离而忽略亮度、对比度与结构相似性信息,将结构相似度引入欧氏距离公式,并将改进的欧氏距离引入到加权系数的计算中。实验表明,改进的算法具有更高的峰值信噪比,视觉效果也更好。