用维纳滤波的两种语法形式：不加噪信比和加入噪信比进行复原并显示各图像比较观察两种复原结果的区别

维纳滤波是一种基于最小均方误差的原则，在信号处理中用于估计无噪声信号。它通常应用于存在随机噪声的情况。有两种常见的语法形式：

1. **不加噪信比**（Noise-Free SNR）形式：
这种情况下，维纳滤波器假设输入信号是一个纯信号，没有噪声成分。它通过计算理想滤波后的信号来消除噪声。在Python中，如使用`scipy.signal`库，可能会这样实现：

   from scipy.signal import wiener
   filtered_signal = wiener(noisy_image)

其中`noisy_image`是含有噪声的原始图像。

2. **加入噪信比**（SNR-Informed）形式：
实际应用中，我们往往需要考虑噪声的水平。在这种情况下，维纳滤波会利用信噪比（Signal-to-Noise Ratio, SNR）作为参数，根据已知的噪声统计特性来进行滤波。例如，`skimage.restoration.wiener2d`函数可以接受SNR作为额外参数：

   from skimage.restoration import wiener2d
   snr = estimate_snr(image)  # 需先估计噪声级别的snr
   filtered_signal = wiener2d(noisy_image, lena(snr))

`lena(snr)`可能代表一个预设的噪声模型，或者根据实际噪声情况调整。

对比两种形式的结果，加入噪信比的维纳滤波通常会产生更接近于真实信号的复原效果，因为它能更好地适应噪声环境。而未加噪信比的形式可能会过度平滑，导致细节丢失。你可以通过对比清晰度、边缘保留以及噪声残留程度来观察这两种复原结果的不同。