1.一种基于非局部相似图像块内部和块间隐性低秩结构的去噪方法，其特征在于包括如下步骤：

1)将目标图像分成具有重叠结构的图像子块，对于每一个图像子块矩阵，寻找一组仿射变换参数，使得变换后的图像子块可以分解为一个低秩矩阵加上一个稀疏矩阵，所述低秩矩阵和稀疏矩阵分别对应于图像子块的隐性低秩结构和稀疏噪声；

2)对于每个图像子块的低秩矩阵，搜索与其相似的其他图像子块的低秩矩阵，将所有相似的低秩矩阵转换为列向量，并排列成为新的数据矩阵，通过将该数据矩阵的秩进行凸松弛：利用矩阵的核范数来代替矩阵的秩，并采用快速奇异值截断方法获得上述数据矩阵的低秩结构矩阵，其对应于图像子块之间的低秩结构；

3)对于步骤2)中获得的低秩结构矩阵，将其每一列重新转为矩阵，并按仿射逆变换将其变换回对应的图像子块位置，从而得到对原图像子块去噪后的结果，对于图像整体，通过对不同图像子块重叠区域求均值，从而得到整体图像的去噪结果。

2.根据权利要求1所述的去噪方法，其特征在于所述的步骤1)具体为：S01.给定一幅受噪声污染的目标图像I∈Rm×n，将目标图像分成一系列具有重叠结构的图像子块Pi∈Rw×h；其中m，n，w，h分别对应于图像、图像子块的长宽；

S02.对每一个图像子块矩阵Pi进行仿射变换，并建立如下数学模型：其中，矩阵Li为图像子块Pi中隐含的低秩结构，矩阵Ei为图像中的噪声干扰量，τi为仿射变换向量，λ为权重系数，rank(·)表示矩阵的秩，||·||0表示矩阵的0-范数，即统计矩阵中非零元素的个数；

S03.用矩阵的核范数||Li||*替换rank(Li)，矩阵Ei的1-范数||Ei||1替换 ||Ei||0，于是上述优化问题转化为：S04.由于 是一个非线性的等式约束，为了对该约束进行松弛，引入局部线性化，具体实现过程如下：

其中Δτi为变换参数的局部线性增量，▽Pi是图像子块数据Pi对于其非线性变换参数的雅克比矩阵；

S05.根据上述近似替换，目标函数可转化为如下问题：S06.通过如下循环迭代进行求解，循环过程分为4步：①初始化各个参量并计算雅可比矩阵；

②解决线性问题：

③更新变换函数：

④用步骤②和③中得到的优化结果 重新初始化各个参量并进入步骤②，直至收敛，最后输出最优化的图像子块的低秩矩阵Li，噪声矩阵Ei和变换向量τi。

3.根据权利要求2所述的去噪方法，其特征在于所述的步骤S06中的步骤②具体为：采用拉格朗日乘子法将所有的约束条件转化为增广拉格朗日函数其中，μ＞0表示附加在不可行点上的惩罚量，Y为拉格朗日乘数向量。＜·,·＞表示矩阵的内积，fμ(·)表示目标函数，对于上式中有四个未知量Li,Ei,Δτi,Y，采用交替方向方法逐个求取最优值：μk+1＝ρμk

其中UΣVT表示 的奇异值分解， 为

截断函数， 表示▽Pi的广义逆。

4.根据权利要求1所述的去噪方法，其特征在于所述的步骤2)具体为：每一个图像子块矩阵Pi都可以获得一个低秩结构矩阵Li，对于每个Li，搜索与其相似的低秩矩阵，从而获得一系列低秩矩阵a)将低秩矩阵 按列优先转化为向量 并按顺序罗列成一个新的数据矩阵A，假设数据仍包含高斯噪声，通过恢复其低秩结构去除噪声，对应的优化目标函数为其中Al为需要求解的低秩数据矩阵，||·||F为矩阵的F-范数，即为矩阵所有元素的平方和的开方，ε为误差阈值；

b)采用拉格朗日乘子法将上述目标函数和约束条件转化为下列拉格朗日函数，其中μ为根据高斯噪声的方差进行设置的参数，根据近端梯度理论，上述目标函数有如T下解析解， 其中A＝UΣV为矩阵A的奇异值分解； 为截断函数c)将A分解为如下正交矩阵 和矩阵

①对矩阵A进行随机投影qj＝Awj，其中wj是随机向量，为了能够有效覆盖A的子空间，重复进行h次投影，其中h＞l，获得如下投影矩阵Q'＝[q1,q2,···,qh]；

②对Q'进行基于列旋转的Orthogonal-triangular分解，将其前l列作为Q；

③计算获得矩阵B：B＝QTA；

④对B进行奇异值分解B＝U'Σ'V'T；

d)求得低秩数据矩阵