用MATLAB实现对于退化图像（包含噪声和运动模糊），分别采用逆滤波、维纳滤波、最小二乘法滤波进行图像复原

在MATLAB中，处理退化图像通常涉及数字信号处理技术。下面是三种常见滤波方法的基本实现步骤：

1. **逆滤波（Inverse Filtering）**:
对于简单的线性和非适应性的降噪，可以尝试直接对图像进行反向滤波。假设我们有一个已退化的图像 `I` 和已知的理想低通滤波器 `h`（比如均值滤波器）：

   h = ones(3);  % 例如3x3平滑滤波器
   I_restored = imfilter(I, inv(h), 'same');  % 逆滤波

2. **维纳滤波（Wiener Filtering）**:
维纳滤波适用于噪声和信号都服从高斯分布的情况，它试图找到最小均方误差的估计。在MATLAB中，可以使用`wiener2` 函数，需要先估计噪声功率谱密度：

   S_n = estimateNoisePowerSpec(I);  % 噪声估计
   I_restored = wiener2(I, S_n);

3. **最小二乘法滤波（Least Squares Filtering）**:
这种方法通常是通过解决一个线性系统来恢复图像，例如使用Rician或Non-Gaussian模型。这涉及到自适应滤波器，MATLAB提供了`irls`函数来实现：

   % 假设H是滤波矩阵（例如傅立叶变换）
   H = fspecial('average', 3);  % 滤波器模板
   I_restored = irls(I, H);

注意，上述代码示例简化了实际应用过程，因为实际情况中可能需要对滤波器、噪声模型等进行调整，并可能需要对结果进行迭代优化。另外，这些方法可能会导致图像细节丢失或过度平滑，所以针对特定应用场景选择合适的滤波器至关重要。