图像在人类生活中扮演着重要的角色,但由于各种因素的影响,导致图像的质量不佳,通常会被噪声污染,影响视觉效果,图像降噪正是基于解决这种问题而发展的,目的是既能有效地去除噪声,又能够很好地保护图像的重要特征信息,例如图像的边缘和纹理等。近年来,基于冗余稀疏表示理论的图像降噪方法得到了人们的广泛关注与研究,该方法利用图像信号具有稀疏性这一特征来区分信号和噪声,从而到达去除噪声的目的。本文在研究基于稀疏表示和冗余字典学习的图像降噪方法的基础上,讨论了现有的冗余字典学习方法,并在此基础上开展研究工作,提出了两种新的图像降噪方法。本文的主要研究成果如下:1.提出了一种基于聚类集成与稀疏字典学习的图像降噪方法。该方法首先利用非局部的思想得到图像的相似结构区域,结合控制核回归权值和聚类集成技术,将图像划分为具有相似几何结构的多个区域,并利用稀疏字典学习算法分别对每一类区域进行聚类字典学习,克服了原始的K-SVD算法获得的字典结构性不强以及忽略图像自相似性等缺点。在自然图像和医学图像上验证了本方法的有效性,不仅能够有效地去除噪声,也提高了均匀区域的平滑性,同时细节信息也得到了较好地保持。2.提出了一种基于改进K-SVD字典学习与相似性约束的图像降噪方法。其中,改进的K-SVD字典学习算法分别对原始的K-SVD算法中的字典更新阶段和稀疏编码阶段进行了相应的改进,然后通过引入相似性约束项,作为基于改进K-SVD字典学习的图像去噪目标函数中新的一项,得到新的目标函数。通过对自然图像和医学图像进行仿真,验证了本方法的有效性。相比第三章的方法,在视觉效果和数值指标方面都有所提高。