为从强噪声图像中重构出原图像并减小误差，提出了一种基于梯度重权非局部平均的强噪声图像去噪算法。根据稀疏和冗余表示，基于K-SVD字典学习去噪算法可自适应从已知带噪图像中训练字典，但是字典固有的结构限制，导致强噪声图像去噪效果差。提出了基于字典学习的梯度重权非局部平均算法，该算法对图像结构赋予更紧约束，可以改善去噪性能。利用全变分法求解图像结构的梯度，给予图像边缘信息更高的权重，结合图像结构信息的相似性和稀疏性先验，求解优化后的逆问题。与传统字典去噪相比，所提出的算法对强噪声图像的去噪效果更好，并保留了细节轮廓信息，具备较好的峰值信噪比和结构相似性。

图像去噪要求在尽量保留有用信息完整性的基础上去除干扰信息, 同时保证去噪结果的时域稳定性。在非局部平均 NLM(Non-Local Means)算法的基础上提出了更加合理的图像三维去噪算法。该算法首先进行 NLM空域去噪, 然后再对空域去噪的结果进行加权平均的时域去噪。实验结果表明, 本算法和传统去噪算法相比具有去噪结果稳定并不模糊细节的优点, 为实际工程应用提供了技术支撑。

非局部平均除噪声的方法合理利用了图像自身的冗余性和邻域的相似性， 可以获得非常好的除噪声的效果。 但是目前大多关于非局部平均算法的研究主要集中在对单波段图像的除噪声方面。 单独平滑多光谱遥感图像的每个波段会比较严重地损失图像的光谱特征。 为此， 文章提出了两方面的改进： 首先， 改进了非局部平均的平滑核函数， 让核函数中的加权系数与每个波段建立联系而不是只涉及单一波段； 其次， 引入相关系数来衡量不同像素邻域的光谱相似性， 并把这种光谱相似性作为非局部平均平滑约束的一部分。 通过两方面的改进， 传统的非局部平均的方法可以适应多光谱遥感图像的平滑除噪声。 最后用不同卫星图像在不同的噪声水平下对算法进行了充分的测试， 实验证明本文提出的方法更好的平滑掉了噪声而且更好的保持了图像的光谱特征。