图像在获取、存储、传输等过程中都会受到特定噪声的污染,造成图像质量下降,因此图像去噪是图像处理中的一个重要问题。其目的是通过一定处理尽可能消除噪声干扰,提高图像质量。近年来,稀疏表示理论受到人们的广泛关注,并成功应用于图像去噪。其理论依据是,具有一定光滑性的干净图像在适当的过完备字典下存在稀疏表示,通过选择或设计适当的字典,求出图像在该字典下的稀疏表示就可以达到去噪的目的。在图像去噪应用中,字典的选择有两种：一种是选取固定的解析字典；另一种是利用采样图像数据通过适当模型和方法学习或训练自适应的字典。由于学习字典具有对数据的自适应性,能更好地刻画数据中的本质特征,在去噪应用中能得到更好的效果。因此本文借鉴K-SVD算法的思想,改进了前人提出的基于标准正交基联合的字典学习算法。改进后的本文算法是在更新字典的过程中实时更新系数,提高了字典学习速度；并将利用本文算法得到的结构化自适应字典(L-ONB字典)用于图像去噪,实验结果表明,相对于固定字典,本文改进的基于学习字典的去噪算法能够得到更好的去噪效果。