1.基于非局部相似性及加权截断核范数的高光谱图像去噪方法，包括以下步骤：步骤1)获取待去噪的高光谱图像数据 利用投影技术将干净高光谱图像进行降维处理，表示为 为降维后的图像,E为正交矩阵，M和N分别为高光谱图像空间维度的长和宽，P为谱带的数量；

步骤2)构建基于非局部相似性及加权截断核范数的高光谱图像去噪模型；具体包括：m×n

(2‑1)给定矩阵X∈R ，加权截断核范数低秩正则项的定义如下：其中r为目标秩，q＝min(m,n)，σi(X)表示X第i个奇异值，w＝[wi,…,wq]为非负递增的权值向量；

(2‑2)将步骤(2‑1)中加权截断核范数结合到去噪模型中并对此模型进行求解：其中 为带噪图像 在低维子空间的表示， 可分为多组非局部相似张量组，分别对每个非局部相似组进行去噪，最后将每个复原后的张量组还原成(2‑2‑1)针对(2‑2)中的非局部相似张量组进行去噪，去噪模型为：其中 表示带噪矩阵， 表示干净矩阵；

(2‑2‑2)采用近端加速梯度算法可有效求解模型(3)，在求解过程中可更新M为：参数βk可以加快收敛速度，λ是在L‑Lipschitz常数L上满足特定条件的步长，式(3)的解* * T为M＝Udiag(σ(M))V，其中U和V分别为G的左右奇异值矩阵,当i≤r时， 当i＞r时，

步骤3)对变量与参数进行迭代细化；

步骤4)输出去除噪声后的高光谱图像。

2.如权利要求1所述的基于非局部相似性及加权截断核范数的高光谱图像去噪方法，其特征在于：步骤3)具体包括：在迭代过程中Ei易受输入噪声 的影响，因此将下一次的输入图像以式(10)进行更新，式(11)为迭代过程中参数K的更新过程，K的初始值根据HySime方法得到，λ为平衡参数，δ为固定值；

K＝K+δ×i (11)。