در این پایان نامه یک روش جدید به منظور حذف نویز تصویر براساس مفاهیم بازنمایی تنک، یادگیری واژه نامه و تکنیک تطبیق فضا معرفی می گردد. با بررسی برخی روش های یادگیری واژه نامه از جمله الگوریتم پایه K-SVD که روال حذف نویز در آن با دقت بالایی صورت نمی گیرد، یک معیار مهم در آموزش واژه نامه به نام همدوسی در نظر گرفته شد تا اتم های آموزش دیده حداقل میزان همدوسی یا ماکزیمم مقدار ناهمدوسی را دارا باشند. در این صورت اتم ها به عنوان پایه های فضایی تا حد ممکن مستقل از یکدیگر در نظر گرفته می شوند و بازنمایی فریم داده بر روی آن ها با دقت بیشتری صورت می گیرد. آموزش واژه نامه فراکامل با اتم های ناهمدوس بسیار حائز اهمیت است زیرا به خطای تقریب کوچکتری در بازنمایی تنک منتهی می شود زیرا در بازنمایی هر فریم داده، اتم های مستقل از هم نقش بیشتری خواهند داشت و فضای داده را به بهترین نحو پوشش می دهند. همچنین از تکنیک تطبیق فضا به منظور بازآموزی اتم های واژه نامه در محیط تست استفاده می شود. روال یادگیری واژه نامه براساس درنظرگرفتن معیار همدوسی به منظور حصول واژه نامه های فراکامل با اتم های ناهمدوس و بکارگیری تکنیک تطبیق فضا به منظور کاهش زمان پردازش و دستیابی به تصویر حذف نویز شده با دقت بیشتر می باشد. با استفاده از این تکنیک، واژه نامه اولیه ای از داده تصویر در دسترس تهیه و سپس اتم های آموزش دیده متناسب با نویزی که محیط تست با آن درگیر است به کمک یک الگوریتم بهینه سازی جدید مبتنی بر روش حافظه محدود BFGS به روز می شوند. نتایج شبیه سازی انجام شده با نتایج الگوریتم حذف نویز تصویر مبتنی بر روال تطبیق فضای پایه و روش یادگیری واژه نامه مبتنی بر روش K-SVD مقایسه شده است. نتایج شبیه سازی های انجام شده نشان می دهد که الگوریتم پیشنهادی در حذف نویز گوسین به نتایج مناسب تری نسبت به دسته الگوریتم های پایه دست یافته و توانسته است با بکارگیری اتم های ناهمدوس، ساختار داده ورودی را به گونه مناسبی بازنمایی نماید.
