1.一种基于邻域主成分分析-拉普拉斯的图像分割方法，其特征在于，包括以下步骤：S1，在图像中任取一像素P，以其为中心点，根据预设的图像的分块的大小进行图像块的选取，然后以像素P为中心，对输入的原始图像进行分块，图像块为正方形块，把原始图像的每个像素点表达成由其邻域像素组成的图像块；对某一像素x(i,j)对应的图像块，选取图像块的亮度、一阶横向梯度和一阶纵向梯度值用列向量表示；即形成以像素x(i,j)为中心的图像块，所述图像块用列向量表示；

S2，对像素P，在像素P为中心点的窗口内选取大小相同的多个相似邻域像素块，作为图像的样本训练集；所述窗口为包括多个图像块的正方形窗口；

S3，对上述样本训练集进行PCA变换，用训练样本的主成份表达基表达输入像素P的相似邻域像素块，调整主成份的贡献率，获得像素P的去噪后的像素值P’；

S4，对输入的原始图像的每个像素，用步骤S1,S2,S3，求取每个像素的邻域块的主成份表达；并根据主成份域的特征值计算每个像素的去噪后的估计值，最后拼合全部的去噪后的像素点求得去噪后的图像；

S5，对获得的去噪图像进行拉普拉斯边缘提取，得到一幅边缘特征图像；

S6，对获得的边缘特征图像，按照边缘进行分割，得到边缘分割图像。

2.根据权利要求1所述的图像分割方法，其特征在于，所述步骤S2中，相似邻域像素块的选取依据为：若该图像块满足σ

X(i,j)＝X0(i,j)+n(i,j)  (1)

X0(i，j)表示不含噪声的变量值，n(i，j)表示噪声值；σ为待选样本块和输入图像块的均差；m为从样本库中选取的块的个数；X(xi)为选取的第i个邻域块向量； 为输入以像素为中心的图像块向量；

窗口内的样本集用矩阵X表示，X＝[X1,X2,…,Xm]T,其中 表示以像素点中心点像素点x(i,j)为中心的 大小的图像块从行或列进行展开的向量。

3.根据权利要求2所述的图像分割方法，其特征在于，所述步骤S3中对样本训练集进行PCA变换包括以下步骤：对样本集X进行中心化求得中心化矩阵 表示计算每个图像块的

样本均值，假设样本集X所对应的每个样本块的均值矩阵为 其中那么每个图像块的均值转置矩阵为 其中n表示图像块中像素

的个数；这样中心化矩阵 由公式(3)表示：

其中，对 由公式(4)求其样本协方差矩阵C(X)为：

对样本协方差矩阵C(X)进行SVD分解，由于噪声为高斯白噪声，协方差矩阵由公式(5)表示：C(X)＝E·t·ET+C0  (5)

E为m×m的正交矩阵，是由特征向量组成的，t为对角矩阵，对角元素为像素P的特征值，并且按照降序排列，其中E表示的是样本空间中各种元素对图像合成的贡献程度，排在前面的成分贡献越大，亦称之为主成份，C0表示噪声矩阵。

4.根据权利要求3所述的图像分割方法，其特征在于，所述步骤S4中根据主成份分析计算每个像素的估计值采用以下步骤：S4.1)对特征值矩阵t，对角元素为λi，特征值λ1≥λ2≥…≥λp，(i＝1,2,…,p)，由公式(6)计算出前r个特征值的累计贡献率：S4.2)假设C0＝α2I，α表示高斯噪声的强度，则公式(5)中的C(X)由公式(7)计算：C(X)＝E·t·ET+α2I＝E·(t+α2)ET  (7)；

这样C(X)的特征向量为E，说明了被污染的像素点和没被污染的像素点具有相同的特征向量，且ET＝E-1；得到PCA变换矩阵为ET，也称之为主成份表达基，将ET作用于 Y由公式(8)得到：其中，Y为样本X所对应的主成份表达基上的表达稀疏矩阵，那么对于输入的图像块X0，其对应的表达系数为Y0＝ETX0；

S4.3)控制主成份表达基中特征向量的个数，实现对噪声和图像内容的分离，主成份表达特征向量特征值较大的表示图像内容，特征值较小的表示了噪声成分，这样实现了图像内容和噪声之间的分离，由公式(9)得到：其中， 表示输入图像块的无噪声估计值，E表示主成份表达基，Y0表示输入图像块的主成份表达系数；

S4.4)由于在变化的过程中减去了均值，因此X0的估计值 由公式(10)得到：其中，μ表示训练样本图像块的均值；

S4.5)对输入的含有噪声的图像的每个像素点，求出其没被污染的像素的估计值，得到去噪后的图像。