随着图像信息需求量的与日俱增,在信息采样与传输过程中,传统奈奎斯特(Nyquist)定理所带来的抽样资源浪费、硬件成本昂贵、信息处理效率低下等局限性问题日益突出,而以信号稀疏性为前提的压缩感知(Compressed Sensing,CS)采样编码技术,就避免了大量冗余数据的产生,有效地提高了信号处理的效率,并且降低了对设备采样速率的要求,极大地节省了数据存储空间和传输成本。本论文结合CS理论,深入研究基于稀疏表示的图像重构以及去噪方法,将稀疏表示模型用于图像的传输、编码以及污染图像的去噪应用当中,以求高效率、高精准度地恢复出完整图像信号。论文主要在如下几个方面取得了研究成果。(1)针对图像混合噪声去除不足问题,提出一种图像块分组的加权编码方法来改善图像去噪质量。首先,从训练图像中利用非局部相似块来提取出块分组;然后,用得到的块分组来训练非局部自相似先验模型;最后,集成稀疏先验模型和非局部自相似先验模型到正则化项和编码框架中。实验表明,用此方法所得的去噪图像峰值信噪比较同类方法提高了0.036~2.865dB,获得了更好的图像去噪效果。(2)针对腐化图像恢复不足问题,给出一种基于PCA的非局部聚类稀疏表示模型来提高恢复质量。首先,用图像非局部自相似性来取得稀疏系数值;然后,对观测图像的稀疏编码系数进行集中聚类;最后,通过学习字典使降噪图像的稀疏编码系数接近原始图像的编码系数。实验表明,所提方法所得的重建图像峰值信噪比较同类方法平均提高了0.5653 dB,获得了更好的图像重建质量。(3)针对图像修复技术缺陷,设计出一种高斯尺度训练稀疏表示方法以达到高分辨率重建效果。首先,利用非局部相似块提取出分组的块群;然后,利用同步稀疏编码得到非局部扩展高斯尺度混合模型;最后,将块分组模型和高斯尺度稀疏模型联合到编码框架中。实验表明,该方法既能保留图像的边缘又能抑制人工操作造成的不利影响,重建出的图像峰值信噪比较其他同类竞争方法提高了0.02~0.64 dB。