3．打开图像，应用 MATLAB中工具箱函数fspecial（）、imfilter（）、imnoise2（）等为图像添加噪声，并验证算术均值、几何均值、调和均值、逆调和均值等空间域滤波法实现仅有噪声退化的图像复原（分析三种以上噪声使用均值滤波的处理结果）

在MATLAB中，你可以使用`fspecial`函数创建各种类型的滤波器模板，如高斯滤波、中值滤波等。`imfilter`函数则用于应用这些滤波器到图像上，可以去除噪声。`imnoise2`函数则是生成各种类型的随机噪声，例如椒盐噪声、高斯噪声等。

首先，你需要加载图像并添加噪声。例如：

% 加载图像
img = imread('your_image.png');
% 添加噪声，比如高斯噪声
noisy_img = imnoise(img, 'gaussian', 0.05);

接着，使用`fspecial`函数创建均值滤波器：

% 创建一个大小适当的均值滤波器
filter_size = 3; % 可调整滤波器大小
mean_filter = fspecial('average', filter_size);

然后应用`imfilter`对噪声图像进行降噪处理：

% 使用均值滤波器降噪
denoised_img = imfilter(noisy_img, mean_filter);

对于几种常见的噪声（如高斯噪声、椒盐噪声），你可以分别添加噪声，然后对比使用均值滤波后的效果。通过观察噪声减少的程度和图像细节的保留情况，可以看到不同类型噪声对均值滤波的响应不同。

最后，为了验证滤波的效果，你可以计算并比较算术平均值、几何平均值、调和均值和逆调和均值等不同的滤波后图像的统计特性，以及它们对原始图像的接近程度。这将帮助你了解哪种滤波方法在特定情况下更有效。