选择一幅图像，对其添加噪声，然后应用频域滤波增强技术对图像进行处理，比较分析不同平滑滤波算子的降噪性能。生成代码

首先，我们需要加载一幅图像并对其进行噪声添加。这里我们使用常见的椒盐噪声（Salt and Pepper noise）为例。然后我们将图像转换到频域，应用几种常见的滤波器，如高斯滤波、中值滤波或平均滤波，再将结果转换回空间域。最后，我们会对比原始图像、加噪声后的图像以及处理后的图像，以评估不同滤波器的效果。

以下是一个简单的Matlab示例，假设你已经有了一个名为`image`的RGB图像：

% 加载图像
img = imread('your_image_path.jpg'); % 替换为实际的图片路径

% 添加椒盐噪声
noise_level = 0.1; % 噪声水平，0-1之间
noisy_img = imnoise(img, 'salt & pepper', noise_level);

% 高斯滤波器降噪
gaussian_kernel_size = 5;
gaussian_img = imgaussfilt(noisy_img, gaussian_kernel_size);

% 中值滤波器降噪
median_kernel_size = 3;
median_img = medfilt2(noisy_img, [median_kernel_size median_kernel_size]);

% 平均滤波器降噪
average_kernel_size = 3;
average_img = imfilter(noisy_img, ones(average_kernel_size) / average_kernel_size, 'same');

% 将所有图像转换为灰度，方便比较
gray_imgs = rgb2gray([img noisy_img gaussian_img median_img average_img]);

% 绘制原图、噪声图和处理后图像，以及它们的直方图进行对比
figure;
subplot(2, 3, 1), imshow(img), title('Original Image');
subplot(2, 3, 2), imshow(noisy_img), title('Noisy Image');
subplot(2, 3, 3), imshow(gray_imgs{1}), title('Gaussian Filtered');
subplot(2, 3, 4), imshow(gray_imgs{2}), title('Median Filtered');
subplot(2, 3, 5), imshow(gray_imgs{3}), title('Average Filtered');
subplot(2, 3, 6), imagesc(histcounts(double(gray_imgs))), colorbar, title('Histograms');

% 显示每个处理后的图像的PSNR值
psnr_values = struct;
for i = 1:numel(gray_imgs)
    psnr_values(i).image = gray_imgs{i};
    psnr_values(i).psnr = imquality(gray_imgs{i}, img);
end
disp('PSNR values:');
disp(psnr_values);

这个例子展示了如何使用三种常见的平滑滤波算子对图像进行降噪，包括高斯滤波、中值滤波和平均滤波。PSNR（Peak Signal-to-Noise Ratio）值可以帮助我们量化处理效果，数值越高表示降噪效果越好。