1.基于改进密度峰值聚类的信号依赖噪声参数估计方法，其特征在于：具体包括以下步骤：

步骤一、使用滑动窗口从含有噪声的原始图像中提取若干个大小相同的样本；针对每个样本计算其均值、熵和梯度，作为样本的特征数据；所有样本的特征数据进行归一化处理后组成特征数据集X；

步骤二、针对特征数据集X计算下列参数：①特征数据xi与其他特征数据间的欧式距离dij：dij＝||xi‑xj||                             (1)②特征数据xi的局部密度ρi：③特征数据xi与最近的密度更高特征数据的距离δi：④特征数据xi与最近的密度更低特征数据的距离θi：其中，xi、xj∈X，dc为截止距离，截止距离的大小为将所有特征数据间的距离按升序排列后1％～2％处的值；

步骤三、根据步骤二的计算结果划分特征数据xi的相对密度比较范围ηi并计算其相对密度ρi′：

ηi＝max(θi,δi)                         (5)其中，Ni是相对密度比较范围ηi内的特征数据个数； 表示特征数据xj的权重；

步骤四、使用步骤三得到的特征数据xi的相对密度ρi'替换局部密度ρi，根据公式(3)重新计算特征数据xi与最近的密度更高特征数据的距离δi；然后计算特征数据xi的聚类值γi：

γi＝ρi'·δi                            (7)对计算得到聚类值γi按降序排序，选取聚类值最高的两个特征数据作为聚类中心进行聚类，然后输出每个特征数据对应的簇标签，完成聚类过程；

步骤五、根据步骤四的聚类结果，计算弱纹理样本的估计像素水平 与噪声方差其中，N为样本的边长，wk表示弱纹理样本的索引，B_weak_n是弱纹理样本的数量，Iwk(m,n)表示弱纹理样本Iwk第m行、第n列的像素值大小； 是弱纹理样本的最小方差方向向量，与协方差矩阵CP的最小特征值相关：步骤六、将原始图像中的噪声配置为泊松‑高斯噪声模型，则原始图像中(p，q)位置的2

总体噪声方法σ(p,q)为：

2

σ(p,q)＝ax(p,q)+b                        (11)其中，x(p,q)表示原始图像中(p，q)位置的无噪声像素值；a、b为噪声参数；利用最小二乘法拟合弱纹理样本Iwk的像素值‑噪声方差估计对 得到原始图像噪声参数的估计值 和

2.如权利要求1所述基于改进密度峰值聚类的信号依赖噪声参数估计方法，其特征在于：步骤一种使用大小为16*16的滑动窗口，按照从上到下、从左到右的顺序，每次滑动一个像素点的距离，从含有噪声的原始图像中提取若干个大小为16*16的样本。

3.如权利要求1或2所述基于改进密度峰值聚类的信号依赖噪声参数估计方法，其特征在于：针对每个样本计算其均值mean、熵entropy和梯度grad，作为样本的特征数据：其中，gray表示灰度值的大小，p(gray)表示灰度值为gray的概率；W、H分别为样本的宽度与高度，pw,h表示样本中(w,h)位置的像素值。