1.一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，首先将要去噪的原始图像分为多个相同大小的图像块，通过块匹配方法将相似的图像块分组，组成相似组矩阵；然后将去噪问题转化为低秩近似问题，利用自适应奇异值阈值估计每组的相似图像块；

最后，将估计好的图像块聚合成初始的去噪图像；第二阶段使用反投影技术重复第一阶段的步骤，获得最终的去噪图像。

2.如权利要求1所述的一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，主要包含以下几个步骤：步骤1：根据小波系数中的中值绝对偏差（MAD）来估计噪声标准差；

步骤2：将图像分块后，通过欧式距离准则对图像块进行分组，将形成的相似图像块组成相似组矩阵；

步骤3：将组矩阵的每一列使用ASVT算法进行低秩近似求解，得到去噪后的相似矩阵；

步骤4：对每个去噪组矩阵进行聚合，得到初始的去噪估计；

步骤5：采用具有反投影步骤的两阶段策略来进一步抑制噪声残差，生成新的噪声图像；

步骤6：更新噪声图像的方差；

步骤7：对新的噪声图像执行步骤2到步骤7，得到最终的去噪图像。

3.如权利要求2所述的一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，所述步骤2具体如下：

1）图像块分组：找候选块和参考块的相似性，给定一个阈值，与事先计算出的两个图像块间的欧式距离进行比较，如果参考块的欧式距离小于阈值，那么可以认定参考块和候选块是符合相似性的，两者可以归类为一组，为了降低时间复杂度，给图像块划定一个窗口范围，计算图像块与窗口范围内图像块的距离；

2）选取离每个图像块最近的L个相似的图像块，将这L+1个图像块作为矩阵的每一列来构建组矩阵。

4.如权利要求2所述的一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，所述步骤3，利用ASVT算法进行图像去噪，估计出去噪后的组矩阵：首先将图像去噪问题转化为低秩近似问题，得到新的问题模型，然后使用ASVT算法估计出无噪声的矩阵，与SVT不同的是，ASVT算法在迭代期间会自适应地改变阈值水平，迭代次数减少，提高去噪能力和灵活性。

5.如权利要求2所述的一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，所述步骤4，对每个去噪组矩阵进行聚合，得到初始的去噪图像：首先对于存在多个不同估计的每个图像块，通过平均的方法汇总其估计值，然后通过加权平均的方法聚合图像中每个像素的多个估计来重建去噪图像，其中权重选区取决于每个组矩阵的秩的权重。

6.如权利要求2所述的一种基于自适应奇异值阈值的两阶段图像去噪方法，其特征是，所述步骤5，采用具有反投影步骤的两阶段策略来进一步抑制噪声残差，基本思想是采用将滤波后的噪声加回到初始去噪图像的方法来产生新的去噪图像。