1.一种图像纹理增强方法，其特征在于，所述方法包括：获取待增强图像；

将所述待增强图像输入图像分离优化模型，确定所述待增强图像的纹理分量和图像光滑分量，所述图像分离优化模型基于各项同性全变分函数和自适应非凸交替局部近端ANALP算法中重新公式化的卷积字典学习CDL模型建立，所述自适应非凸交替局部近端算法中重新公式化的卷积字典学习模型如下：m

其中， 为局部卷积字典，{αl,i}∈R为稀疏系数， 将DLαl,i置于第i个位置，并将其余项填充为零；λ1和λ2为正则化项的稀疏；函数Ω1表示一个零稀疏约束，Ω1(x)＝||x||0，Ω2表示一个指示函数，所述各项同性全变分函数建模的所述图像光滑分量为||yl,C||TV，其中，yl,C为图像光滑分量；

基于各项同性全变分函数和自适应非凸交替局部近端ANALP算法中重新公式化的卷积字典学习CDL模型建立的所述图像分离优化模型如下：其中，纹理分量 DL表示纹理字典，αl,T,i表示对应的稀疏系数；

将所述图像分离优化模型中的所述图像光滑分量yl,C分割为yl,C＝Zl,C，所述图像分离优化模型变为：其中，Vl,C表示图像光滑分量的对偶变量；

更新所述稀疏系数，得到更新后稀疏系数；

更新卡通变量，得到更新后卡通变量；

更新所述对偶变量，得到更新后对偶变量；

更新误差变量，得到更新后误差变量；所述误差变量根据所述卡通变量和所述对偶变量确定；

更新所述纹理字典，得到更新后纹理字典；

根据所述更新后稀疏系数和所述更新后纹理字典，得到所述待增强图像的纹理分量；

根据所述更新后卡通变量、所述更新后对偶变量及所述更新后误差变量，得到所述待增强图像的图像光滑分量；

所述更新所述稀疏系数及所述更新所述纹理字典均通过所述自适应非凸交替局部近端算法中重新公式化的卷积字典学习模型进行更新，包括：令x＝({αl,i},DL)，其中x1＝{αl,i}并且x2＝DL，分别定义f1,f2和H如下：f2(DL)＝λ2Ω2(DL)

求解关于H的梯度， 计算如下：

根据近端梯度下降方法计算

其中，第一步长 第二步长 prox表示近端算子；

其中，第一Lipschitz常数 第二Lipschitz常数τ1、τ2均为自适应参数，均为大于1的常数，表示克罗内克积；

根据所述纹理分量和所述图像光滑分量，确定纹理细节增强的彩色图像。

2.根据权利要求1所述的方法，其特征在于，当所述第一步长和所述第二步长分别满足下降定理时，所述稀疏系数和所述纹理字典更新结束；

所述第一步长和所述第二步长分别满足的下降定理为：

3.根据权利要求1‑2任一项所述的方法，其特征在于，所述将所述待增强图像输入图像分离优化模型，包括：将所述待增强图像转换到Lab色彩空间，并控制Lab色彩空间中的亮度L通道对所述待增强图像的亮度进行处理，得到预处理后图像；

将所述预处理后图像输入所述图像分离优化模型。

4.一种图像纹理增强装置，其特征在于，所述装置包括：获取模块，用于获取待增强图像；

第一确定模块，用于将所述待增强图像输入图像分离优化模型，确定所述待增强图像的纹理分量和图像光滑分量，所述图像分离优化模型基于各项同性全变分函数和自适应非凸交替局部近端ANALP算法中重新公式化的卷积字典学习CDL模型建立，所述自适应非凸交替局部近端算法中重新公式化的卷积字典学习模型如下：m

其中， 为局部卷积字典，{αl,i}∈R为稀疏系数， 将DLαl,i置于第i个位置，并将其余项填充为零；λ1和λ2为正则化项的稀疏；函数Ω1表示一个零稀疏约束，Ω1(x)＝||x||0，Ω2表示一个指示函数，所述各项同性全变分函数建模的所述图像光滑分量为||yl,C||TV，其中，yl,C为图像光滑分量；

基于各项同性全变分函数和自适应非凸交替局部近端ANALP算法中重新公式化的卷积字典学习CDL模型建立的所述图像分离优化模型如下：其中，纹理分量 DL表示纹理字典，αl,T,i表示对应的稀疏系数；

将所述图像分离优化模型中的所述图像光滑分量yl,C分割为yl,C＝Zl,C，所述图像分离优化模型变为：其中，Vl,C表示图像光滑分量的对偶变量；

更新所述稀疏系数，得到更新后稀疏系数；

更新卡通变量，得到更新后卡通变量；

更新所述对偶变量，得到更新后对偶变量；

更新误差变量，得到更新后误差变量；所述误差变量根据所述卡通变量和所述对偶变量确定；

更新所述纹理字典，得到更新后纹理字典；

根据所述更新后稀疏系数和所述更新后纹理字典，得到所述待增强图像的纹理分量；

根据所述更新后卡通变量、所述更新后对偶变量及所述更新后误差变量，得到所述待增强图像的图像光滑分量；

所述更新所述稀疏系数及所述更新所述纹理字典均通过所述自适应非凸交替局部近端算法中重新公式化的卷积字典学习模型进行更新，包括：令x＝({αl,i},DL)，其中x1＝{αl,i}并且x2＝DL，分别定义f1,f2和H如下：f2(DL)＝λ2Ω2(DL)

求解关于H的梯度， 计算如下：

根据近端梯度下降方法计算

其中，第一步长 第二步长 prox表示近端算子；

其中，第一Lipschitz常数 第二Lipschitz常数τ1、τ2均为自适应参数，均为大于1的常数，表示克罗内克积；

第二确定模块，用于根据所述纹理分量和所述图像光滑分量，确定纹理细节增强的彩色图像。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑3中任一所述的图像纹理增强方法。

6.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一所述的图像纹理增强方法。