压缩感知是一种新兴的、有效的采样方法。二维的自然图像在应用压缩感知理论的时候,通常采用分块感知的方法,以避免由于感知矩阵过于庞大而带来的存储和计算的问题。现存的压缩感知理论假设图像中所有的子块的稀疏度是相同的,从而对图像中的每一个子块都分配同样的采样率,然而实际上,图像中的每个子块都包含着不同的信息,有着不同的结构特征,而使用相同的采样率显然是不合理的。在本文里,我们提出了两种基于标准差和全变差的自适应的采样策略,对于每一个图像子块,我们都根据它的稀疏度为其分配一个合适的采样率。在信号重构的过程中,为了提高重构图像的整体效果,尤其是对于那些平滑的子块,我们引进了非局部全变差(NLTV)算法,根据图像的一些非局部的先验信息来指导图像的重构过程。我们提出了使用增广拉格朗日法(ALM)来求解NLTV优化问题的算法。事实上,l0范数先验并不能够捕捉足够的图像的先验信息,其实我们有很多更适合图像重构的先验知识,比如一些优秀的去噪算法如NLTV, KSVD和BM3D等。同时,我们也使用主成分分析算法来训练出一个对于二维图像子块采样效果更好的感知矩阵。我们证明了使用这个训练的采样矩阵能够获得原始信号的大部分能量。实验数据和实验结果证明了以上我们提出的两种算法都能够有效的捕捉图像的结构特征,而且在一个很低的采样率下能够重构出一个细节显著、纹理清晰的高质量图像。并且对比与其他的一些传统的算法,我们的两种算法无论在峰值信噪比或者是结构相似度上都有明显的改进。我们在实验部分给出对于实验结果的分析。