由于受到成像设备和成像环境等外界条件的限制，数字图像在传输、转换或处理的过程中容易受到噪声的污染，不仅使得图像视觉效果变差，更使得图像中大量有用信息丢失，影响图像的后续处理。为了提高图像的质量，就必须在尽可能多地保留图像中的有用信息的前提下，有效地将图像中的噪声消除。作为计算机视觉领域的基础课题，图像去噪一直以来都占据着重要的地位，而且是国内外学者研究的热点。
　　在过去的几十年里图像去噪技术蓬勃发展，国内外学者相继提出了多种优秀的去噪算法。其中，基于稀疏表示理论的去噪方法，因其优越的性能和新颖的思想，一经提出便成为去噪领域的研究热点。虽然基于稀疏表示理论的去噪方法已经取得了一定的成功，但是如何在去除噪声的同时更好地保留图像的结构、边缘和纹理等细节信息，仍需要进一步地研究和实现。已有研究证明，从含噪图像或干净的自然图像中学习图像的先验知识加入稀疏去噪模型中，能够有效提高去噪效果，且更加完整地保留图像中的细节信息。因此，本文将非局部相似性先验知识加入稀疏表示模型中，提出了一种新的基于稀疏表示与字典学习的图像去噪算法。
　　本文所提出的算法首次利用超像素聚类来学习图像中级线索（Mid level cues）下的非局部相似性先验知识，并对相似超像素进行学习，获取包含图像的结构信息以及边缘信息的字典，并且在该字典下利用相似图像块的加权稀疏系数对图像块的稀疏分解过程进行约束，提高稀疏系数的准确性，最后利用字典和最终的稀疏系数来重构原始图像。与目前已存在的图像去噪算法相比，本文所提出的算法采用稀疏子空间算法对超像素进行聚类分析，更深入地研究图像的非局部相似性。在字典学习过程中，本文对相似超像素进行字典训练，充分地考虑了图像的结构信息、边缘信息以及非局部相似性，获得性能更优的字典。在稀疏分解过程中，利用相似图像块的加权稀疏系数来提高每个图像块的稀疏系数估计值的准确性。非局部相似性先验知识、性能更优的字典和准确性更高的稀疏系数使得算法获取更好的去噪效果。为了验证所提出算法的性能，本文将算法与四个经典的图像去噪算法进行比较，并从主观评价和客观评价两个方面进行性能评估。实验结果表明，从整体而言，相比其它算法，本文所提出的算法不但能够有效地去除噪声，而且能够更好地保留图像中的结构信息和边缘信息。