1.一种基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，包括以下步骤：(1)噪声分析：假设图像噪声服从独立泊松分布，根据泊松分布的联合概率密度函数和最大似然原理，得出去除泊松噪声相当于最小化KL-散度函数，然后利用图像非局部相似块的先验知识作为正则项，进行稳定数值解；

(2)建立模型：根据步骤1)中噪声分析，并结合后验概率公式，得出泊松低秩去噪模型如下：其中：DKL(f+b,g)是KL-散度函数，Gjf表示图像相似块组成的包含噪声的矩阵，Fj表示对应相似块组成的低秩矩阵，f表示原始图像，b表示观测背景；g表示观测图像；η表示正则化参数；λj表示平衡后两项的参数；

(3)去噪处理：根据步骤(2)建立的泊松低秩去噪模型，通过优化知识，分别得出求解Fj和f的迭代式，然后经过交替迭代法得出最终解；

(4)输出除噪图像：在装有MATLAB软件的计算机上，对步骤(3)进行编程实现，将得到的结果通过图片的方式输出，即为去噪后的图像。

2.根据权利要求1所述的基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，其特征在于，所述步骤(1)中，泊松分布的联合概率密度函数如下：其中：f表示原始图像，b表示观测背景；g表示观测图像。

3.根据权利要求1所述的基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，其特征在于，所述步骤(1)中，最小化KL-散度函数如下：且由于KL-散度函数的病态性，求解过程中，数值的不稳定性使得恢复图像的效果不稳定；因此，利用图像非局部相似块的先验知识作为正则项，使得恢复图像更加稳定。

4.根据权利要求3所述的基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，其特征在于，所述正则项为

5.根据权利要求1所述的基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，其特征在于，所述步骤2)中的后验概率公式 其中，P(f)代表先验信息，P(g|f)条件概率，P(f|g)后验概率，P(g)是已经发生概率，为常数。

6.根据权利要求1所述的基于非局部相似性低秩矩阵的图像去除泊松噪声的方法，其特征在于，所述步骤3)中，去噪处理的具体步骤为：根据建立的低秩去噪模型，通过优化交替迭代方法，分别求得Fj和f的值，其中f是原始图像，Fj是对应原始图像的相似块组成的矩阵；

A、进行分块：fi＝Rif表示对图像进行分块，以像素位置i为中心抽取尺寸为 的块fi,Ri∈Rn×N为二值矩阵；

B、相似块匹配：相似块定义为某空间的一种距离；Rn空间的欧几里得距离；Gjf表示由相似块组成的矩阵，它是以第j个块为中心，由m个相似块组成,Gjf＝[Rj1f,Rj2f,…,Rjmf]∈Rn×m；

C、低秩块去噪：首先固定f，求Fj；基于非局部低秩矩阵的图像去除泊松噪声的方法变为：在优化问题中，该问题可以通过硬门槛求解，具体形式如下：其中，Gjf＝UΣVT是矩阵Gjf的SVD分解， 是关于对角矩阵Σ带参数λj的硬门槛函数；对于对角矩阵Σ中的每个对角元素Σii：D、去噪块回归：固定Fj，求f；基于非局部低秩矩阵的图像去噪算法变为：根据优化知识，其该问题最优性条件为：

其中，IT＝[1,…,1]∈R1×N， 和 令 则z∈RN表示将所有 中的元素求和后放回到原始位置， 则G是对角矩阵，将G的对角元素取出，从新组成相应的向量w∈RN；因此上最优性条件可以变形为：ηwifi2-(ηzi-ηbiwi-Ii)fi-(ηbizi+gi-bi)＝0,i＝1,…,N从而得出

其中，pi＝(ηwi)-1(ηzi-ηbiwi-Ii)和qi＝(ηwi)-1(ηbizi-gi-bi)。

F、迭代回归：重复A-D步骤3～4次，每次重新分块时，令f＝f+η(g-f)。