1.一种基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，包括以下步骤：(1)建立如下基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解模型：其中，f是需要进行特征分解的图像，uc和ut分别为待分解的图像轮廓部分和纹理部分，和 分别为图像竖直和水平方向的梯度算子，D是离散余弦变换(DCT变换)；||·||L0为统计非零元素个数的L0范数，用于稀疏表达统计； 和 是图像轮廓竖直和水平方向上的梯度稀疏表达正则项，用于对轮廓边缘的梯度统计，即统计梯度不为0的元素个数； 是复原误差控制项；α1,α2,α3是非零的正则化系数，其中α1，α2是图像轮廓结构水平和竖直正则化系数；α3是纹理结构的正则化参数；

(2)利用交替方向乘子法(ADMM)求解图像轮廓和纹理分解模型，得到相应的分解迭代方程；

(3)根据所述分解迭代方程，计算输出分解后的图像轮廓uc和纹理ut。

2.根据权利要求1所述的基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，所述步骤(3)中，通过以下步骤计算输出所述分解后的图像轮廓uc和纹理ut：Step 1:初始化设置， 迭代停止条件误差限：tol＝10-5，初始误差error＝1；最大迭代次数itermax＝200，迭代次数初始值iter＝1；

Step 2：while itertolCompute：

Step 3：输出所述分解后的图像轮廓uc和纹理ut。

3.根据权利要求1所述的基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，所述步骤(2)包括如下步骤：(21)利用ADMM算法，引入辅助变量d1,d2,d3,并令 将步骤(1)中图像分解模型转换为如下优化问题：

其中，λ1，λ2，λ3和b1,b2,b3分别利用ADMM算法变量分裂时引入的辅助参数和辅助变量；

(22)利用交叉迭代方式，将步骤(21)中的方程(2)分解为如下子问题：

4.根据权利要求3所述的基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，关于所述 的问题求解如下：利用导数求拐点法得如下线性方程：

利用傅里叶变换及傅里叶反变换整理有：

5.根据权利要求3所述的基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，关于所述 的问题求解如下：对(4)式利用直接求导并等于零有：

那么 的迭代公式有：

6.根据权利要求3所述的基于各向异性L0梯度稀疏表达和DCT变换的图像轮廓和纹理特征分解方法，其特征在于，关于所述 和 的问题求解如下：利用硬阈值滤波求解(5)，(6)，(7)式有：