1.一种阈值寻优的高保真各向异性滤波方法，其特征在于，包括以下步骤：

1)输入图像，采用各向异性扩散模型、即PM模型对图像进行预处理后输出含噪声的噪声图像；

2)判断是否考虑局部特征处理，若是、则进入步骤3)，若否、则进入步骤6)；

3)用小波变换提取噪声图像的高频部分，在高频部分用二阶微分量曲率模值m来反映局部信息，并建立高保真各向异性滤波模型；

根据式(1)计算曲率模值m，

式(1)中，Ixx、Ixy分别为Ix在x,y方向的方向导数，Iyy为Iy在y方向的方向导数，其中，Ix为图像I在x方向分量，Iy为图像I在y方向分量；

高保真各向异性滤波模型为式(2)，

式(2)中，x,y分别为图像的行数与列数，t为时间，div为散度算子，W为小波变换，×为用小波对图像做小波分解以提取图像高频部分， 为梯度算子，m为曲率模值，g(·)为依赖于图像的单调递减的扩散函数，I(x,y,t)为t时刻第x行第y列的像素值、构成平滑图像，为像素值I(x,y,t)对时间t的导数，I(x,y,0)为原始图像，I0(x,y)为0时刻原始图像的像素值；

其中，扩散函数表达式采用 x为检测算子，k为阈值；

4)用最小均方算法进行阈值寻优，进一步控制扩散函数的扩散强度；

根据最小均方算法中的梯度下降法来求取最优阈值k，表达式为式(3)，式(3)中，k(n+1)为下一时刻的阈值，k(n)为当前时刻的阈值，μ为步长， 为均方误差的梯度；

5)用建立的高保真各向异性滤波模型对提取的高频部分进行处理，对处理后的高频系数和原来的低频系数进行小波重构，得到去噪后图像并输出；

将平行于y方向的边缘，忽略y方向的影响和小波变换，且Ix＞0，则反映局部信息的检测算子简化为 其中， 为检测算子；

此时高保真各向异性滤波模型的简化模型为式(16)，式(16)中，

6)输出图像。

2.根据权利要求1所述的阈值寻优的高保真各向异性滤波方法，其特征在于：所述步骤

4)根据最小均方算法中的梯度下降法来求取最优阈值k，具体为，

4-1)对噪声图像进行J层离散小波变换，得到原始信号的小波系数，记为向量Y，且Y＝[AJ,HJ,ZJ,DJ,HJ-1,ZJ-1,DJ-1,…,H1,Z1,D1]，其中，J为层数，向量A为低频系数，向量H为水平高频系数，向量D为对角高频系数；

设g(Y)是Y的函数，表达式为式(4)，式(4)中， 为基于向量Y对信号w的估计值，故g(Y)为RN到RN的映射，RN为N维向量空间；

4-2)基于Sure无偏估计进行阈值的选择，通过风险函数R(t)式(5)来定义，式(5)中，f、分别为原始信号和原始信号的估计，N为维数；

由于小波变换具有正交性，故风险函数同样在小波域中表达成式(6)，式(6)中，X、 分别为原始信号的小波系数值和原始信号小波系数的估计；

4-3)现记Y的风险函数为式(7)，

则获得其数学期望为式(8)，

式(8)中，σn为标准差，V为向量Y与原始信号的小波系数值X的差值；

4-4)可知，V＝Y-X，当V服从高斯分布时，如下式(9)成立，式(9)中，Yi为各尺度下的小波系数向量，Vi为各尺度下的Y向量与X的差值，P为(|Yi|＞t)的概率，i＝1,2,…,N；

则得到式(10)，

式(10)中，ti为t在各尺度下的值；

4-5)将式(10)代入式(8)，得到风险函数的数学期望ER(t)，为式(11)，根据Sure无偏估计式(11)，可得均方误差 为式(12)，式(12)中，为阈值函数作用于Y后得到的信号估计值，gi为各尺度下 与Y的差值；

则均方误差 的梯度表达式为式(13)，

因为 所以得gi为式(14)，

gi＝X(kn,Yi)-Yi     (14)

4-6)将式(14)代入式(13)，得式(15)根据式(15)计算出 再根据式(3)计算出k(n+1)，从而获得最优阈值。

3.根据权利要求1所述的阈值寻优的高保真各向异性滤波方法，其特征在于：所述步骤

5)中的式(17)，当在噪声图像的拐点时，由Marr边缘位置知，噪声图像的二阶微分量Ixx＝0，此时有又因为 求导得 则得到

将式(19)代入式(18)中，则得到式(20)，式(19)、式(20)中，k为步骤4)寻优到的最优阈值。

4.根据权利要求1所述的阈值寻优的高保真各向异性滤波方法，其特征在于：所述步骤

5)中的式(17)，当处于噪声图像的尖峰、角点时，Ix＝0，此时，反映局部信息的检测算子则式(17)简化为式(21)，式(21)中，k为步骤4)寻优到的最优阈值。

5.根据权利要求1所述的阈值寻优的高保真各向异性滤波方法，其特征在于：所述步骤

6)输出图像之前进行所有像素都直通的判断，若是、则直接输出图像，若否、则返回步骤1)。