1.一种基于卷积与K‑SVD字典联合稀疏编码的图像分解方法，其特征在于，具体按照以下步骤实施：步骤1、对获取的彩色图像进行预处理，得到待分解图像；

所述步骤1具体如下：

用I表示待分解图像，针对彩色噪声图像，从RGB颜色空间转化到YUV颜色空间，使I等于Y分量；针对彩色低照度图像，从RGB颜色空间转换到HSV空间，使I等于V分量的Log变换；

步骤2、将待分解图像分解为两个未知分量的线性叠加；

所述步骤2具体如下：

令：

I＝B+S                          (1)针对去噪任务，B表示无噪声图像，S表示噪声点；

针对Retinex模型，B表示物体反射性质图像，S表示入射光图像；

步骤3、依据两个未知分量的先验特征，构建先验约束；

所述步骤3具体如下：

为分量B构建约束模型Φ(B)：

其中，λ1,λ2和γ是权重参数，pi表示第i个分析算子，i＝1,...,m，包括分析算子[1 ‑1]T和[1 ‑1] , 表示二维卷积操作； 是中心化稀疏表示模型CSR，其中αj是以像素点j为中心的图像块Bj的稀疏编码系数，α是所有αj连接形成的系数向量，||α||L1表示α的L1范数；字典D用K‑SVD方法创建，Dα是经典的稀疏编码模型，用于重建图像主体结构B，μj是B中与图像块Bj最相似的N个图像块的稀疏系数的加权均值，具体计算方法如下：其中，Γ是τj,n的和，αj,n是第n个与块Bj相似的图像块的稀疏系数，n＝1,...,N,τi,n代表第n个相似图像块与Bi的相似度，用向量的欧氏距离表示图像块间的相似性；

采用基于多尺度的卷积稀疏编码模型对S分量构建约束模型Ψ(S)：其中，λ3是权重参数，Ckt是第k个尺度约束下的第t个卷积核，k＝1,...,K,t＝1,...,nk，是Ckt构成的集合，Hkt是卷积核Ckt的响应系数， 是Hkt构成的集合,||Ckt||F是Ckt的Frobenius范数，Ckt根据不同的视觉任务，用基于张量分解的卷积字典学习法进行初始化；

步骤4、通过交替优化对两个未知分量进行求解；

所述步骤4具体如下：

基于步骤3中的Φ(B)和Ψ(S)，完整的分解模型表示为：字典D初始化后固定不变，故公式(5)需要求解的变量是B,α,S,Ckt和Hkt；

公式(5)采用交替迭代策略进行求解：固定分量S，字典D和系数α的值，优化分量B的子问题为：其中，L1是拉格朗日乘法的线性约束，β1是惩罚参数；

令

并将卷积操作化成矩阵乘法形式，使得 由于L1范数的不可导性，引入ADMM算法进行求解，引入一组辅助参数使得{Yi＝PiB}i＝1,...,m，得新的优化问题：其中，ω1和μ是权重系数，Πi是逼近Yi的拉格朗日变量；公式(7)的求解结果为：Πi＝Πi+μ(PiB‑Yi)

其中sign是符号函数， 为取两个元素中的最大值；

步骤5、依据收敛条件，判断是否达到可行性解，所述步骤5具体如下：固定分量S，字典D和分量B，更新系数α的子问题为：公式(8)是经典的中心化稀疏表示CSR模型，用扩展的迭代收缩方法求取近似解；

更新拉格朗日约束变量L1：

固定B分量，字典D，卷积核Ckt和响应系数Hkt，更新S分量的子问题为：其中，L2是拉格朗日乘法的线性约束，β2是惩罚参数；公式(10)可导,S分量的解为固定响应系数Hkt和分量S，更新卷积核Ckt的子问题为：定义一组线性算子 使得 其中ckt＝vec(Ckt)，即是Ckt的向量化形式，故公式(12)转化为：

其中，

和

公式(13)用近端梯度下降算法(Proximal Gradient Descent method)求解：其中，τ是梯度下降步长，Prox||·||　≤1是L2近端算子，确保每个卷积算子满足固定卷积核Ckt和分量S，更新响应系数Hkt的子问题为：

公式(15)是经典的卷积稀疏编码模型，求取近似解；

更新L2：

交替迭代更新分量B与分量S，直至达到收敛条件：t t‑1

其中B表示第t次迭代求取的结果，B 是第t‑1次迭代求取的结果,ρ是给定的阈值。

2.根据权利要求1所述的一种基于卷积与K‑SVD字典联合稀疏编码的图像分解方法，其特征在于，所述步骤3中：针对去噪任务，k＝3，t＝2；

针对Retinex模型，k＝1，t＝2。