در این مقاله یک روش جدید به منظور حذف نویز تصویر براساس یادگیری واژه نامه ناهمدوس در فضای تطبیق یافته ارائه می گردد. روال یادگیری واژه نامه براساس در نظر گرفتن 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. همچنین گام بازنمایی تنک در این الگوریتم بر مبنای یک الگوریتم مبتنی بر افزایش همدوسی اتم-داده می باشد. آموزش واژه نامه فراکامل با اتم های ناهمدوس بسیار حائز اهمیت است زیرا به خطای تقریب کوچکتر در بازنمایی تنک منتهی می شود زیرا در بازنمایی داده تصویر، اتم های مستقل از هم نقش بیشتری خواهند داشت و فضای داده را به بهترین نحو پوشش می دهند. همچنین از یک روش بازنمایی تنک ناهمدوس نیز در روال یادگیری واژه نامه بهره گرفته می شود. بکارگیری این روال یادگیری موجب دستیابی به تصویر حذف نویز شده با دقت بالا می گردد. نتایج شبیه سازی با نتایج الگوریتم حذف نویز تصویر مبتنی بر روال تطبیق فضای پایه و روش یادگیری واژه نامه مبتنی بر 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 سایر الگوریتم ها دست یافته و توانسته است با بکارگیری اتم های ناهمدوس ساختار داده ورودی را به گونه مناسبی بازنمایی نماید.
