图像表示理论和基于图像表示理论的去噪方法是近年来图像处理领域的研究热点之一。基于超完备字典的图像信号稀疏表示是一种新的图像表示理论,本文旨在将超完备冗余稀疏表示用于图像去噪,利用超完备字典的冗余性有效捕捉图像信号的各种结构特征,从而在去噪中更好的保留图像信号的细节信息。参考Elad在2006年提出的KSVD字典学习算法,本文深入讨论了基于字典学习的图像去噪方法,所做主要工作如下:　　 (1)提出多尺度字典学习图像去噪的思想,设计了一种基于双冗余字典学习的自然图像去噪算法,采用平稳小波框架构造了多尺度字典,在图像的多个尺度上分别训练超完备冗余字典,然后逐尺度的进行字典学习去噪。该方法不仅结合了多尺度去噪和空域去噪的优点,而且各尺度上的字典学习可以采用不同的误差控制,更好的保留了图像的细节信息。实验结果验证了其有效性。　　 (2)提出了一种基于支撑值变换和多尺度冗余字典学习的自然图像去噪算法。支撑值变换是一种非抽样的、二值的、各向同性和具有平移不变性的冗余变换,变换后不仅不会产生抽样变换带来的振铃效应,而且可以得到图像更加丰富的时域信息和精确的频率信息。引进支撑值变换实现多尺度分解,取得了优于(1)中算法的结果。　　 (3)提出了一种基于字典学习与非局部滤波的SAR图像相干斑噪声抑制方法。该方法基于SAR图像噪声特性,引入点增强机制将图像中重要的点目标保留下来,采用字典学习和非局部滤波方法对增强后的SAR图像去噪。从实验结果可以看出,该方法的抑斑结果优于字典学习和非局部均值方法。