1.基于共稀疏表示的自然图像全局重构方法，其特征在于，包括：S1、稀疏分解模型实现自然图像全局重构的图像块共稀疏表示建模方法；

S2、实现图像重构的图像块共稀疏度自适应的快速分解稀疏重构算法；

S3、实现图像重构的交替最小化快速分解字典学习算法。

2.根据权利要求1所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述S1的稀疏分解模型实现自然图像全局重构的图像块共稀疏表示建模方法：把图像重构分成多个子问题，每个子问题处理覆盖整幅图像的非重叠图像块，最后由多个子问题重构结果平均后得到最后的图像重构结果。

3.根据权利要求2所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，采用全局建模得到的图像块数为ceil(W/w)*ceil(H/h),可以全局重构图像，即一次重构一个划分的所有图像块。

4.根据权利要求1所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述S2的快速分解稀疏重构算法包括如下步骤：S2.1共支集检测：

检测感兴趣信号x的共支集(co‑support)Λ，即分解字典Ω的若干行使得分解感兴趣信号x为0或者分解字典Ω的若干行使得与感兴趣信号x正交；

S2.2信号估计：

通过求解共支集Λ上的最小二乘问题来更新待重构的信号x：其中ΩΛ表示共支集，Λ指示子行矩阵。

5.根据权利要求4所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述S2.1的共支集的参考设计方法是采用最小二乘的负梯度：x(t)＝x(t‑1)+μMT(y‑Mx(t‑1)),其中μ为步长。

6.根据权利要求4所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，根据所述2.2的信号估计的特征设计共支集检测方法：对共稀疏表示系数Ωx进行硬阈值化，即绝对值最小的l个值赋值为0，来获得共支集Λ；具体地：引入一个大于0小于等于1的阈值化参数动态监测共稀疏表示系数Ωx绝对值的比例得到支集，然后求解补集得到共支集Λ。

其中，阈值化参数通过平衡重构结果和重构时间来确定。

7.根据权利要求1所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述S3的实现图像重构的交替最小化快速分解字典学习算法，其包括分解稀疏重构和分解字典更新两部分。

8.根据权利要求7所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述分解稀疏重构是在已知分解字典Ω，由训练样例集Y求解信号集X，该实现方法采用如权利要求4所述的算法完成。

9.根据权利要求7所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，所述分解字典更新，由信号集X，训练样例集Y更新分解字典，实行逐步计算分解字典Ω的每个原子(Ω的行)来更新字典，这里的约束是共支集I上Ω的行与X的列正交，即ΩIXI＝0，(这里ΩI，XI分别取是Ω的行子矩阵、X的列子矩阵)，得到优化问题：

10.根据权利要求9所述的基于共稀疏表示的自然图像全局重构方法，其特征在于，还包括：附加一个约束||Ωi||2＝1，求解最小的奇异值对应的奇异向量，Ωi＝d：