图像去噪是图像处理的基本问题,噪声的存在使得许多重要的信息被掩盖,严重干扰了图像的应用价值。目前对于噪声相对较弱时许多去噪算法能够达到不错的效果,而在高噪声情况下,由于图片内的信息被噪声严重干扰,使得单纯利用图像内部先验的算法可利用信息不足,从而导致算法的性能迅速下降。基于块先验信息的图像去噪算法通过学习自然图像的统计特性,借助外部信息来为去噪过程服务,能够有效提升高噪声情况去噪后的效果。文中利用混合高斯模型学习自然图像块的纹理结构提出一种基于图像块先验的低秩近似和维纳滤波去噪算法,该算法能够同时利用外部图像块的先验结构信息和内部图像的自相似性,对待去噪图像进行分块聚类,并根据每类相似块的数量进行协同滤波。当相似图像块数量较多时,采用低秩矩阵近似的方法复原,有效利用图像的内部自相似性;当相似图像块数量较少时,采用维纳滤波,利用先验信息保持图像重要的纹理结构。试验结果表明此方法较适用于弧形边界和角点等存在较少相似块的自然图像,其峰值信噪比和视觉效果优于目前部分主流算法。高斯噪声、椒盐噪声、泊松噪声等都是数字图像中比较常见的噪声,现有的去噪算法,通常只对单一高斯噪声进行去噪,且许多算法都是建立在假设知道噪声方差大小,文中利用卷积神经网络学习含噪图像统计特性并以此判断噪声类型,提出一种基于噪声类型估计的图像盲去噪算法,此算法由两个部分的神经网络组成:1)训练多个单一噪声类型的去噪模型,此去噪模型学习的是含噪图像与干净图像的残差;2)将含噪图像块通过第一部分得到多个不同的残差图,以这些残差图作为第二部分网络输入数据,学习这些残差图的所属类别,并依据此类别选择相应的去噪模型复原图像。此算法不仅有效复原包含单一噪声方差的高斯噪声,且能有效去除椒盐噪声、泊松噪声等。