1、圖像去噪是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)很重要的基礎(chǔ)課題。圖像去噪的目的就是從受到噪聲污染的圖像中，恢復(fù)出原來(lái)清晰的圖像。目前,圖像去噪的方法大致可以分為三類(lèi)：空間域、頻率域和基于稀疏表示的字典學(xué)習(xí)等方法。隨著壓縮感知技術(shù)的快速發(fā)展，基于稀疏表示的去噪算法表現(xiàn)出了很好的適應(yīng)性，通過(guò)學(xué)習(xí)或設(shè)計(jì)合適的字典，對(duì)給定的圖像塊進(jìn)行自適應(yīng)性的表達(dá)，能夠很好地表示圖像的結(jié)構(gòu)特征。本文就是以稀疏表示為理論基礎(chǔ)，探究圖像去噪的方法。
　　稀疏表示和圖像的非局部

2、自相似性在圖像去噪中扮演著很重要的角色，但是在運(yùn)用稀疏表示和非局部自相似性去噪的同時(shí)，可能會(huì)對(duì)圖像的細(xì)節(jié)結(jié)構(gòu)（比如邊緣結(jié)構(gòu)）產(chǎn)生過(guò)光滑或者偽紋理等現(xiàn)象，為了提高圖像的去噪性能，本文提出了一個(gè)基于邊緣增強(qiáng)和稀疏表示的圖像去噪模型（ENSR：Edge Enhanced and Nonlocal Sparse Representation Model）。該模型將圖像的邊緣檢測(cè)、局部稀疏性和非局部自相似性結(jié)合到了一起，通過(guò)迭代閾值算法對(duì)模型中的

3、l1-范數(shù)最小化問(wèn)題進(jìn)行求解。實(shí)驗(yàn)表明，模型在加入邊緣正則項(xiàng)之后，去噪效果有了一定的提高，很好地保護(hù)了邊緣結(jié)構(gòu)，改善了重構(gòu)圖像的質(zhì)量。
　　在實(shí)際應(yīng)用中噪聲的分布往往比較復(fù)雜，本文對(duì)ENSR模型進(jìn)行了改進(jìn)，用于解決混合噪聲的問(wèn)題。在稀疏編碼過(guò)程中，針對(duì)混合噪聲分布特有的重尾現(xiàn)象，在模型中引入了加權(quán)編碼的概念，提出了基于邊緣增強(qiáng)和稀疏表示的混合去噪模型（M-ENSR），并通過(guò)迭代加權(quán)算法進(jìn)行求解。實(shí)驗(yàn)表明，與其他傳統(tǒng)的混合去噪算法相