Como una característica inmensamente importante de las imágenes naturales, la similitud a escala no local (NSS, por sus siglas en inglés) ha demostrado gran promesa en una variedad de problemas inversos. Desafortunadamente, la mayoría de los métodos actuales utilizan ya sea la NSS aprendida de la imagen degradada o de imágenes de entrenamiento. El primero inevitablemente se ve perturbado por la degradación, mientras que el segundo no está adaptado a la imagen que se va a restaurar. Para mitigar tales problemas, este trabajo propone aprender una NSS tanto de imágenes internas como de imágenes de entrenamiento externas y emplearla en tareas de restauración de imágenes. Para lograr nuestros objetivos, primero aprendemos NSS internas y externas de las imágenes medidas y conjuntos de imágenes de alta calidad, respectivamente. Luego, con las NSS aprendidas, se desarrolla un método eficiente que solo implica descomposición en valores singulares (SVD, por sus siglas en inglés) y un método de ponderación simple para aprender la NSS-H para grupos de parches. Posteriormente, tomando la NSS-H aprendida como diccionario, formulamos un modelo de representación dispersa estructural con parámetros de regularización adaptativos llamado NSS-H-SSR para la restauración de imágenes, y se desarrolla un algoritmo de restauración de imágenes general y eficiente a través de una estrategia de minimización alternante. Los resultados experimentales indican que el método de restauración propuesto basado en NSS-H-SSR supera a muchos algoritmos de competencia existentes en valores de PSNR y SSIM.