伴随着全球经济以及科学技术的迅猛发展,城市交通问题日益严重,智能交通系统(intelligent transportation systems,ITS)成为关注的焦点。在智能交通系统中,图像信息的采集是其重要组成部分。由于自然条件及其它干扰因素的影响,实际采集的图像效果往往不够理想,如何能对采集的交通图像进行增强处理,就成为了智能交通系统亟需解决的重要问题之一。稀疏表示方法采用非正交分解方式,将信号分解在过完备原子库上,能够简洁得表示出信号的结构。本文研究稀疏表示方法在图像增强中的应用,实现了一种基于K-SVD图像稀疏表示的交通图像增强算法。该算法基本过程包括：参数设置、字典初始化、稀疏分解、字典更新以及图像重构。该算法首先需要对稀疏字典的大小、冗余系数、形成稀疏字典的图像块大小等参数进行设置,然后采用正交匹配追踪(OMP)算法对基于DCT框架形成的初始化字典进行稀疏分解,再使用K-SVD算法完成稀疏字典的更新,从而利用更新后的稀疏字典和稀疏系数矩阵完成图像的重构。采取主观评价与客观评价相结合的方式对图像增强效果进行分析,实验结果表明：通过学习方法形成的K-SVD字典有效得改进了稀疏字典的结构。该算法将字典列的更新与稀疏表示系数的更新相结合,加快了收敛速度；随着字典的逐渐增大,图像去噪效果总体上有所提高,但运行时间也相应增长。与中值滤波、均值滤波、小波变换等经典去噪算法相比,本算法取得的峰值信噪比分别提高了14.31%、11.20%、8.32%；相对于基于DCT字典的稀疏表示算法,本文算法的峰值信噪比也取得了2%的有效提升。