1.基于奇异值权重函数的非局部TV模型图像去噪方法，包括如下步骤：

(1)首先输入N0×N0大小的待去噪图像f；

(2)设置方法的相关参数，包括非局部搜索窗口大小N1×N1、邻域窗口大小N2×N2、像素相似度权重函数的参数h和j，高斯核的标准差σ，分裂的Bregman迭代辅助变量bk的初始值b0、平滑参数θ和保真参数λ；

(3)设Mx是以步骤(1)输入的含噪图像f中像素点x∈Ω为中心的大小为N2×N2的图像块像素灰度值矩阵,Ω为f的图像空间，不同的像素点对应不同的图像块， 将各图像块Mx进行T奇异值分解：Mx＝UxΛxVx ，式中Ux、Vx分别是Mx的左奇异矩阵和右奇异矩阵，大小都是N2×N2，Λx是Mx的奇异值矩阵，它的大小也是N2×N2，它的对角元素不为零，其他元素全为零，Λx对角元素一共有N2个： 按从大到小排列为： Λx的对角元素就是Mx的奇异值，它包含了Mx的全部特征， 奇异值的定义：对于m×n阶矩阵A，ATA的n个特征值的非负平方根叫作A的奇异值；

(4)利用步骤(3)得到的图像块的奇异值构建新的像素相似度权重函数， 由于奇异值包含了图像块的主要特征，所以相似的图像块之间的奇异值是相近的；在图像块的奇异值中，大的奇异值包含了图像块的主要特征，小的奇异值包含了图像块的次要特征；并且在含有噪声的图像中，噪声不是图像的主要特征，所以在构建新的像素相似度权重函数时，只选用图像块的最大奇异值，通过图像块的主要特征来判断图像块之间的相似性，这样就减少了噪声的干扰；构建图像f中两个像素点x和y的相似度权重函数：其中x为当前像素点，y是以x为中心的搜索窗口内的一点，ax是以x为中心、大小为N2×N2的邻域内的像素灰度值矩阵Mx的最大奇异值，ay是以y为中心、大小为N2×N2的邻域的像素灰度值矩阵My的最大奇异值； 表示在图像f中以x为中心的大小为N2×N2的图像块与以y为中心的大小为N2×N2的图像块之间的高斯加权距离， 表示求和范围是以x或y为中心的大小为N2×N2的邻域内的每一像素点，不包括x或y自身，共N2×N2-1项，Gσ(c)是标准差为σ的高斯核函数；h和j是常数，通过干预指数函数的衰减速度来控制权重函数ω的大小,h和j的取值越大，权重函数ω的值越接近1，算法收敛速度快，但是难以达到最优值，h和j的取值越小，权重函数ω的值越接近0，算法经过多次迭代可以收敛到最优值，但是耗费时间多，h和j的取值原则上要综合以上两点因素，取大小合适的值；

(5)建立非局部TV模型： 其中J(u)是模型的

目标函数，λ是保真参数，f是输入的含噪图像，u是去噪后得到的图像，Ω是f、u的图像空间，是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子，u(y)和u(x)分别是图像u上的点x和y的像素灰度值，

(6)对步骤(5)建立的NLTV模型，采用分裂的Bregman算法迭代逼近来求解，迭代过程分成三步，降低了迭代的复杂性，加快了迭代速度， 迭代格式如下：其中，k的取值是0，1，2，…,等非负整数，迭代初始值u0＝f，bk、wk分别表示分裂的Bregman迭代的辅助变量和辅助函数，λ就是步骤(5)建立的非局部TV模型中的保真参数，θ是控制迭代结果的平滑参数；bk的初始值b0、以及λ和θ的赋值已在步骤(2)中进行预设，求解式(6-1)和式(6-2)，并数值化，式(6-3)也数值化，由此得到数值化后的三步迭代格式，如步骤(7)中的式(7-1)、(7-2)和式(7-3)所示， 第一次迭代运算前，令k＝0；

(7)顺序地应用公式(7-1)、(7-2)、(7-3)进行迭代，

其中 表示求和范围是以x为中心的搜索窗口N1×N1内的每一像素点y,不包括x自身，共N1×N1-1项，ω(x,y)是f中像素x和y间的相似度权重函数，由步骤(4)计算得到；

(8)每次完成步骤(7)的迭代后，计算出迭代结果uk+1的评价值，即uk+1的峰值信噪比(PSNR)；如果本次迭代后的输出图像uk+1的峰值信噪比大于上一次迭代输出图像uk的峰值信噪比，则不满足迭代停止条件，令k＝k+1，并返回步骤(7)，继续迭代运算；如果本次迭代结果uk+1的峰值信噪比小于等于上一次迭代输出图像uk的峰值信噪比，则满足迭代停止条件，将上一次迭代输出图像uk作为最优值ufinal输出，即令ufinal＝uk，并转到步骤(9)；

(9)将结果ufinal作为最后去噪结果图像输出。