1.一种基于贝叶斯模型的超声图像斑点噪声滤波方法，其特征在于，所述方法包括：S1、建立基于贝叶斯模型的非局部滤波模型2

其中，第一项λ为平滑项，第二项(u-u0) 为数据保真项，λ是一个正常数，用于控制平滑项与数据保真项之间的平衡；数据保真项用于使求解的值u不会偏移原始观测值u0太远；

S2、采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声，进而得出基于Pearson统计距离的权重函数；

S3、求解非局部滤波模型中的变量u和d，其中S4、采用求解后的非局部滤波模型对超声图像中斑点噪声进行滤波处理。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：采用Gamma分布拟合经对数压缩后超声图像中的斑点噪声：γ

u(x)＝v(x)+v (x)η(x)，其中，γ是一个依赖于超声设备并与后续成像过程相关的参数。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2中γ为0.5。

4.根据权利要求2所述的方法，其特征在于，所述步骤S2中：两两像素块之间相似度的Pearson统计距离为：基于Pearson统计距离的权重函数为：其中，u(x+·)和u(y+·)为图像中的两个像素块。

5.根据权利要求4所述的方法，其特征在于，所述步骤S3中非局部滤波模型的求解采用Split-Bregman分解法、最陡梯度下降法、或对偶投影法。

6.根据权利要求4所述的方法，其特征在于，所述步骤S3中的非局部滤波模型为：

7.根据权利要求6所述的方法，其特征在于，所述步骤S3中非局部滤波模型的求解通过求解如下以离散形式给出的迭代方程获得：其中，b是与Bregman迭代算法相关的一个变量，也称作Bregman变量，β是一个大于零的常数。

8.根据权利要求7所述的方法，其特征在于，所述步骤S3中非局部滤波模型中变量u的求解具体包括：固定变量d，则非局部滤波模型简化为求关于变量u的最小化子问题：通过Eular-Lagrange方程，非局部滤波模型的最小解满足：使用高效的Gauss-Seidel迭代法进行求解，即对n≥0有：通过至少两次Gauss-Seidel迭代收敛到方程的最小解处。

9.根据权利要求7所述的方法，其特征在于，所述步骤S3中非局部滤波模型中变量d的求解具体包括：固定变量u，则非局部滤波模型简化为求关于变量d的最小化子问题：采用软阈值法，则非局部滤波模型的Eular-Lagrange方程为：根据上述公式求解变量d；

最后，变量b可根据如下公式进行更新：