1.基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，所述方法包括：基于图像块间的自相似性构造聚类正则项；

基于聚类正则项和低秩分解去噪方法，建立图像去噪模型；

对图像去噪模型进行优化，基于优化后的图像去噪模型对图像进行去噪处理；

对于一副图像x，有重叠地将x分成同等大小，数量为m的图像块，并将这些图像块组成一个大小为m的图像块集合Rx＝(R1x,…Rix,…,Rmx)，其中Rix表示由图像x中的第i个图像块所构成的矩阵；将Rx用由K个高斯分布组成的高斯混合模型来表示，Rix出现的概率被定义为K个高斯分布的权重和：其中，Θ＝(w1,w2,…,wK,μ1,μ2,…,μK,Σ1,Σ2,…,ΣK)是高斯混合模型的参数空间，wk为第k个高斯分布所占的权重且wk满足 μk为均值，Σk为协方差矩阵；pk(Rix|uk,Σk)描述了第k个的高斯分布的密度函数，其表达式如下：其中，c为归一化常数；

用类标签C＝(c1,c2,…,cm)，ci∈{1,2,…,K}来标示图像块Rix所属的高斯类；p(Rix,ci＝k|Θ)表示参数空间Θ下，Rix(i＝1,…,m)属于第k类的概率；假定图像块Rix与图像块Rjx(i,j＝1,…,m且i≠j)之间是相互独立的，则图像块聚类似然项为：利用对数性质，上式两边取对数，可得图像块聚类正则项：其中，Rix表示由图像x中的第i个图像块所构成的矩阵； 为第ci个高斯类的权重， 为第ci个高斯类的均值以及协方差矩阵； 描述了第ci个的高斯分布的密度函数；

设Zk为低秩矩阵，Nk为噪声矩阵，将 作低秩分解：通过最小化后延能量来求解低秩最小化问题，达到去噪目的：其中，τ是正常数，σ是噪声标准差； 是聚类后第k个高斯类中所有图像块构成的矩阵；||Zk||*和 分别为Zk的核范数和 的F‑范数。

2.根据权利要求1所述的基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，对于含有高斯白噪声的图像噪声模型为：y＝x+n    (7)

其中，y为观测到的噪声图像矩阵，x为清晰的原始图像矩阵，n为噪声矩阵；

基于图像自相似性构造的聚类正则项来提升低秩去噪性能，建立的目标函数如下：其中，λ为正常数；σ是噪声标准差； 为清晰图像，类标签和低秩矩阵的估计值；

为数据保真项；logp(Rx,C|Θ)为聚类正则项； 为K个高斯类的最小后延能量和。

3.根据权利要求1所述的基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，将目标函数转化为目标图像x、类标签C和低秩矩阵Zk三个方程的联立求解：0

和 通过交替最优化方法求解，初步估计图像，用y初始化图像x ；其中，y为观测0

到的噪声图像，x为第0次迭代的清晰图像。

4.根据权利要求3所述的基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，在第l次循环中：

l l

固定x，求解C：

l l‑1

其中，x 表示x第l次的迭代值； 表示类标签第l次的迭代值；Rixl‑1 l‑1

表示第i个图像块在第l‑1次中的迭代值；p(k|Rix )表示Rix 属于第k个高斯类的概率；

l‑1

表示Rix 在k个高斯类中现的总概率。

5.根据权利要求3所述的基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，在第l次循环中：

l l

固定C，求解Zk：

l‑1

其中， 是Zk迭代l次的估计值；Zk 是Zk第l‑1次迭代值； 是由第l‑1次迭代中属l‑1

于第k个高斯类中的图像块向量化叠在一起构成的矩阵； 是Zk 的核范数；式(14)的T

核范数最小化问题用权重核范数最小化方法优化求解，令σj(Zk)是Zk的第j个奇异值，UΣV是 的奇异值分解，则：

其中，diag(α)是取出α对角线上的值；αj是α中的元素， 为 中第j‑16

个奇异值所占权重，ε＝10 避免分母为零；τ为正常数。

6.根据权利要求3所述的基于图像块自相似性先验的核磁共振图像去噪方法，其特征在于，在第l次循环中：

l l+1

固定Zk，求解x ：

二次优化问题由如下等式求解：其中， 是由第l次迭代中属于第k个高斯类中的图像块向量化叠在一起构成的矩阵；

是 的转置矩阵；I为单位矩阵。