1.结合非局部先验的复合正则化图像去噪方法，其特征在于，以全变差变分去噪模型为基础，加入非局部结构自相似性的先验信息，建立非局部自相似性先验正则和全变差正则相结合的复合正则化图像去噪模型，并将一种混合相似度计算权值的方法引入非局部先验正则项，包括如下步骤：步骤一：建立图像去噪的全变差模型：

假设图像的去噪模型为：f＝u+n，其中，f为观测到的含噪图像，u为原始真实图像，n为噪声，图像去噪的全变差模型为

其中，第一项为数据保真项，要求f和u在L2范数意义下最相似即差异最小，第二项为全变差正则项，是对图像分片光滑的先验，用以保持边缘结构特征，μ为正则化参数；

步骤二：根据图像中的结构自相似性先验信息，建立非局部结构自相似性正则项：假设一幅大小为N×N的图像u经向量化后，表示成u＝[x1，x2，…，xN]∈RN，Pi和Pj分别表示以xi和xj为中心的图像块，对于像素点xi，在整幅图像中找出所有满足给定条件的相似点xj，即当认为xi和xj是相似的，只要Pi和Pj的相似度大于某一阈值T，即图像中大量的结构自相似性表示为其中，w(xi，xj)为权函数，满足 δ(xi)是xi的非局部邻域，是与xi相似度大于阈值T的所有像素点xj的集合，满足δ(xi)＝{xj|w(xi，xj)＞T}，此处，T＝0，为非局部邻域内的像素均分配一个大于0的权值，ni是残差，写成矩阵-向量的形式u＝Au+N，

其中，向量N∈RN的第i个分量为ni，矩阵A∈RN×N由非局部权值构成，表示为u＝Au+N作为正则化中的先验信息来刻画图像的非局部结构自相似特征，非局部结构自相似正则化项表示为其中，I为N×N大小的单位矩阵；

步骤三：在图像去噪的全变差模型中加入非局部结构自相似性正则项，建立复合正则化模型： α为正则化参数；

步骤四：采用分裂Bregman迭代法，求解复合正则化模型；

步骤五：输出去噪后图像。

2.根据权利要求1所述的结合非局部先验的复合正则化图像去噪方法，其特征在于，在所述步骤二中采用一种基于图像灰度和LBP纹理特征融合的混合相似度来计算权值，从而建立非局部正则项中的权值矩阵。

3.根据权利要求1所述的结合非局部先验的复合正则化图像去噪方法，其特征在于，在所述步骤四中具体包括步骤如下：步骤1)初始化正则化参数μ、α、λ，迭代终止阈值ε，u0＝f，b0＝0，d0＝0；

步骤2)输入观测图像f；

步骤3)针对 求得un+1；

步骤4)针对 求得dn+1；

步骤5)针对 求得bn+1；

步骤6)若un+1满足迭代终止条件，即 其中ε为阈值，则终止迭代，否则，令n＝n+1，并转到步骤3)。