1.一种基于图像块聚类字典训练的图像去噪去模糊方法，包括以下步骤：a)图像块分割：对一幅自然图像Xorg，将其无重叠的分割成尺寸相同的m*n个正方形小图像块；每个小图像块大小为 依次取出图像块中的每一列将其排列成向量形式xi, 故可得未训练字典集矩阵X＝{x1,x2,…,xp}，其中 p＝m*n；Xorg为自然图像，m和n分别为分割后所得的正方形小图像块的行数和列数， 为正方形小图像块的边长，即每边所包含的像素点个数，SPch为正方形小图像块中的像素点总数，xi为第i个分割所得正方形图像块的向量形式，其维数为SPch*1，X为所有向量xi所组成的字典集矩阵，其维数为SPch*p；

b)相似图像块判定和聚类，具体来说步骤b)包括以下步骤：b1对步骤a所得字典集矩阵X进行训练，首先在字典集矩阵X中随机选出k个列向量xi，定义为k个聚类中心，为了区别于普通图像块，采用xki表示聚类中心向量，得聚类中心向量组Xk＝{xk1,xk2,…,xkk}；

b2参考人体视觉系统，采用组间方差最大的相似度判定方法，计算字典集矩阵中每一个向量与第ki个聚类中心向量的相似度，可得相似度矩阵J:Jij＝std(xki-xj)

其中J∈Rp*k，即1≤i≤p,1≤j≤k.Jij表示相似度矩阵J中的第i行第j列个元素，std(xki-xj)表示为第i个向量与第j个聚类中心的差值的方差；

c)过完备字典训练和更新：具体来说步骤c)包括以下步骤：c1在步骤b2中，得到相似度矩阵J之后，对矩阵J中的k列元素进行从小到大排序，数值小的相似性程度高；

c2取出每一列前q行，索引对应字典集中向量，将前q行重新进行平均值计算，得出更新后的聚类中心；

c3重复c1,c2步骤，第i次更新所得聚类中心为： 当第n次迭代与第n+1次迭代所得聚类中心的值之差小于某一实常数ε，或算法达到预设迭代次数，两者满足任一条件即可，即可跳出循环，得到更新后字典集X；

d)图像块稀疏重构，具体来说步骤d)包括以下步骤：

d1建立图像的退化过程的通用模型：

y＝G·xorg+n,

其中xorg表示的是初始数字图像，y是退化后的图像，G是初始数字图像xorg的退化过程的操作算子，n是附加的噪声信号；

d2建立图像去退化的修复过程方程：

其中xest表示为处理后的图像， 表示为G的伪逆矩阵；

d3将步骤d2所述图像修复问题转化为优化问题，通过稀疏表示的方法来对退化图像进行重构；对原始图像xorg进行采样，得到过完备字典集D，可得如下方程：其中 为重建图像，θ为稀疏表示系数；

d4为了得到图像中的高频信息量，而排除低频噪声的干扰，建立优化方程：当θ达到优化值 时，限制重构图像y质量的重要因素为过完备字典D的训练过程；在计算得字典集之后，求得系数的优化值 即可得到所求结果d5根据最大后验概率定理，将优化方程改写为：

其中l0范数是用来评估系数 的真实稀疏度用以增强图像的去噪去模糊质量，为了解决l0范数优化非凸的问题，采用l1范数来代替l0范数进行求解；进一步将其转化为惩罚项多项式形式，引入惩罚项系数μ，根据步骤b2使用计算方差值代替原始计算欧式距离来评估图像块相似度；的优化方程写为：得到优化值 后，根据式 得到处理后的清晰图像。