1.一种自适应非局部总变分的图像去噪方法，包括以下步骤:

(1)构建NA-NLTV模型：

其中，Ω表示恢复图像u或含噪图像u0的整个图像区域，变量x表示图像中的一个像素点， 是正则项， 保真项，λ1(x)为根据含噪图像u0计算得到的自适应平衡函数，用来调节NA-NLTV模型中正则项与保真项之间的平衡关系，具体为：

其中，变量y、x表示图像的像素点，θ1为函数λ1(x)的值域范围参数，λ1(x)∈(0,θ1)；Ω1是以含噪图像u0中的点x∈Ω为中心的大小为s1×s1的区域，ω1(x,y)为含噪图像u0中的像素点x与像素点y间的非局部像素相似度权重；

式(1)中的正则项具体为：

式(3)中的u(y)、u(x)分别表示图像u在像素点y、x处的灰度值；

(2)利用构建NA-NLTV模型对输入的含噪图像u0进行第一次去噪，即求解NA-NLTV模型，输出恢复图像u1。

2.如权利要求1所述的自适应非局部总变分的图像去噪方法，其特征在于，含噪图像u0中的非局部像素相似性权重ω1(x,y)具体为：其中，x和y表示图像中的二个像素点，变量x表示当前像素点，变量y表示以x为中心、大小为s1×s1的搜索窗口内的一点，ω1(x,y)是图像u0中的两个像素点x和y间的非局部像素相似度权重， 表示含噪图像u0中以x为中心、大小为n1×n1的图像块和以y为中心、大小为n1×n1的图像块之间的高斯加权距离， 表示求和范围是以x或y为中心的n1×n1邻域内的每一像素点，共n1×n1项， 是标准差为σ1的高斯核，h1是权重函数ω1(x,y)的常数参数。

3.如权利要求1所述的自适应非局部总变分的图像去噪方法，其特征在于，在获得恢复图像u1后，计算u1中的两个像素点x和y的新的非局部像素相似度权重ω2(x,y)，并且基于ω2(x,y)再次建立含噪图像u0的NA-NLTV模型，利用再次建立的NA-NLTV模型对含噪图像u0进行第二次去噪，输出最终恢复图像u2.。

4.如权利要求3所述的自适应非局部总变分的图像去噪方法，其特征在于，所述对含噪图像u0进行第二次去噪，包括：首先，计算恢复图像u1的非局部像素相似性权重ω2(x,y)：

其中， 表示含恢复图像u1中以x为中心、大小为n2×n2的

图像块和以y为中心、大小为n2×n2的图像块之间的高斯加权距离， 表示求和范围是以x或y为中心的n2×n2邻域内的每一像素点，共n2×n2项， 是标准差为σ2的高斯核，h2是权重函数ω2(x,y)的常数参数；

然后，根据计算的非局部像素相似性权重ω2(x,y)计算自适应平衡函数λ2(x)：其中，θ2为函数λ2(x)的值域范围参数，λ2(x)∈(0,θ2)；Ω2是以恢复图像u1中的点x∈Ω为中心的大小为s1×s1的区域；

最后，将自适应平衡函数λ2(x)代替式(1)所示NA-NLTV模型中的λ1(x)，同时在计算时，用ω2(x,y)去代替式(3)的ω1(x,y)；经计算，输出恢复图像u2。

5.如权利要求1～4任一项所述的自适应非局部总变分的图像去噪方法，其特征在于，对u0第一次去噪时，利用split-Bregmant数值迭代算法对NA-NLTV模型进行求解。

6.如权利要求5所述的自适应非局部总变分的图像去噪方法，其特征在于，在求解NA-NLTV模型之前，设置第一次去噪时利用的NA-NLTV模型的搜索窗口大小s1×s1，邻域窗口大小n1×n1，权重函数参数h1、σ1，自适应平衡函数λ1(x)值域范围参数θ1，split-Bregmant数值迭代算法中辅助变量及常数参数。

7.如权利要求4所述的自适应非局部总变分的图像去噪方法，其特征在于，第二次去噪时，利用split-Bregmant数值迭代算法对NA-NLTV模型进行求解。

8.如权利要求7所述的自适应非局部总变分的图像去噪方法，其特征在于，在求解NA-NLTV模型之前，设置第二次去噪时利用的NA-NLTV模型的搜索窗口大小s2×s2，邻域窗口大小n2×n2，权重函数参数h2、σ2，自适应平衡函数λ2(x)值域范围参数θ2，split-Bregmant数值迭代算法中辅助变量及常数参数。