1.一种基于双字典学习的非局部稀疏表示图像去噪方法，其特征在于，包括如下步骤：步骤A，对待去噪图像，利用kmeans聚类方法， 产生各类；

步骤B，计算各类中心图像块；

步骤C，利用聚类中心字典学习方法，得到各聚类中心的稀疏表示，继而重建各聚类中心图像块，所述聚类中心字典学习方法包括以下步骤：用传统方法稀疏表示聚类中心图像块；

根据稀疏表示结果与字典，生成稀疏性模式；

根据各模块稀疏性模式与相似块快速查找表，构造相关性函数，继而构造相关性矩阵，其中相似性快速查找表记录了与当前图像块最相似的 N个图像块；

根据相关性矩阵构造基于相关分析的稀疏性先验模型；

建立稀疏性先验模型；

利用最大后验概率估计方法估计稀疏性模式，生成新的聚类中心图像块；

步骤D，更新传统Kmeans结果中的聚类中心；

步骤E，循环步骤A-D，直至满足结束条件；

步骤F，构建各类对应的紧致PCA字典；

步骤G，构造类内图像块稀疏编码误差项；

步骤H，利用迭代收敛算法对传统稀疏表示模型求解。

2.一种聚类中心字典学习方法，其特征在于，包括如下步骤：步骤A，用传统方法稀疏表示聚类中心图像块；

步骤B，根据稀疏表示结果与字典，生成稀疏性模式；

步骤C，根据各模块稀疏性模式与相似块快速查找表，构造相关性函数，继而构造相关性矩阵，其中相似性快速查找表记录了与当前图像块最相似的 N个图像块；

步骤D，根据相关性矩阵构造基于相关分析的稀疏性先验模型；

步骤E，建立稀疏性先验模型；

步骤F，利用最大后验概率估计方法估计稀疏性模式，生成新的聚类中心图像块。