I = imread('C:\ok\苹果.jpg'); PSF = fspecial('gaussian', 5, 5); Blurred = imfilter(I, PSF, 'symmetric', 'conv'); V = 0.003; BN = imnoise(Blurred, 'gaussian', 0, V); % 维纳滤波 K = fft2(BN); n = size(PSF, 1); NI = abs(fftn(K)).^2; H = fft2(PSF, size(BN, 1), size(BN, 2)); denoised = real(ifft2((conj(H).*fftn(K))./(H.*conj(H) + (V./NI)))); imshow(denoised, []);不对

非常抱歉，我之前提供的维纳滤波代码仍然存在错误。正确的代码如下：

I = imread('C:\ok\苹果.jpg');
PSF = fspecial('gaussian', 5, 5);
Blurred = imfilter(I, PSF, 'symmetric', 'conv');
V = 0.003;
BN = imnoise(Blurred, 'gaussian', 0, V);

% 维纳滤波
K = fft2(BN);
n = size(PSF, 1);
NI = abs(fftn(imnoise(zeros(size(BN)), 'gaussian', 0, V))).^2;
H = fft2(PSF, size(BN, 1), size(BN, 2));
denoised = real(ifft2((conj(H).*K)./(H.*conj(H) + (V./NI))));
imshow(denoised, []);

主要的问题在于计算噪声功率谱 `NI` 的时候，之前的代码使用了模糊图像的噪声功率谱，应该使用一个大小与模糊图像相同的噪声图像的功率谱来计算。这里使用了 `imnoise` 函数生成一个大小与 `BN` 相同的全零矩阵，然后添加高斯噪声并计算其功率谱。

希望这次提供的代码能够正确地实现维纳滤波。如果您还有其他问题，请随时告诉我。

相关问题

I = imread('C:\ok\苹果.jpg'); PSF = fspecial('gaussian', 5, 5); Blurred = imfilter(I, PSF, 'symmetric', 'conv'); V = 0.003; BN = imnoise(Blurred, 'gaussian', 0, V);根绝这一模糊图像给出逆滤波维纳滤波和Lucy-richardson 的图像复原代码

好的，根据上面的模糊图像进行逆滤波、维纳滤波和Lucy-Richardson的图像复原代码如下：

逆滤波：

I = imread('C:\ok\苹果.jpg');
PSF = fspecial('gaussian', 5, 5);
Blurred = imfilter(I, PSF, 'symmetric', 'conv');
V = 0.003;
BN = imnoise(Blurred, 'gaussian', 0, V);

% 逆滤波
K = fft2(BN);
H = fft2(PSF, size(BN, 1), size(BN, 2));
G = K ./ H;
G = ifft2(G);
imshow(abs(G), []);

维纳滤波：

I = imread('C:\ok\苹果.jpg');
PSF = fspecial('gaussian', 5, 5);
Blurred = imfilter(I, PSF, 'symmetric', 'conv');
V = 0.003;
BN = imnoise(Blurred, 'gaussian', 0, V);

% 维纳滤波
K = fft2(BN);
n = size(PSF, 1);
NI = abs(fftn(K)).^2;
H = fft2(PSF, size(BN, 1), size(BN, 2));
denoised = real(ifft2((conj(H).*fftn(K))./(H.*conj(H) + (V./NI))));
imshow(denoised, []);

Lucy-Richardson：

I = imread('C:\ok\苹果.jpg');
PSF = fspecial('gaussian', 5, 5);
Blurred = imfilter(I, PSF, 'symmetric', 'conv');
V = 0.003;
BN = imnoise(Blurred, 'gaussian', 0, V);

% Lucy-Richardson
K = im2double(BN);
J = deconvlucy(K, PSF, 10);
imshow(J, []);

这里假设模糊核为高斯核，大小为 $5 \times 5$，噪声方差为 $0.003$。

逆滤波、维纳滤波和Lucy-Richardson的实现方式各不相同，逆滤波容易出现振铃现象，维纳滤波可以有效地抑制噪声，但是会引入一定的模糊，Lucy-Richardson可以在一定程度上平衡图像的模糊和噪声。

希望这些代码对您有所帮助。

输入一个图像，用fspecial函数产生大小为11×11，标准偏差为5的圆对称高斯低通滤波器，用imfilter函数对输入图像进行低通滤波，产生模糊图像。在模糊图像上加入均值为0，方差为0.02的高斯噪声。用最小二乘算法复原函数deconvreg复原图像，参数为点扩展函数和噪声功率。编写MATLAB代码实现上述功能，分析你的实验结果。

好的，以下是MATLAB代码实现：

% 读取图像
img = imread('your_image.jpg');

% 产生圆对称高斯低通滤波器
h = fspecial('gaussian', 11, 5);

% 对图像进行低通滤波
blurred_img = imfilter(img, h, 'conv', 'replicate');

% 添加高斯噪声
noisy_img = imnoise(blurred_img, 'gaussian', 0, 0.02);

% 最小二乘算法复原图像
psf = fspecial('gaussian', 11, 5);
noise_var = 0.02;
deconvolved_img = deconvreg(noisy_img, psf, noise_var);

% 显示结果
figure;
subplot(2,2,1);
imshow(img);
title('原始图像');

subplot(2,2,2);
imshow(blurred_img);
title('模糊图像');

subplot(2,2,3);
imshow(noisy_img);
title('加噪图像');

subplot(2,2,4);
imshow(deconvolved_img);
title('复原图像');

该代码首先使用`fspecial`函数生成一个大小为$11\times11$，标准偏差为$5$的圆对称高斯低通滤波器，然后使用`imfilter`函数对输入图像进行低通滤波，产生模糊图像。接着使用`imnoise`函数在模糊图像上添加均值为$0$，方差为$0.02$的高斯噪声。

最后，使用`deconvreg`函数进行最小二乘算法复原图像，其中`psf`参数为点扩展函数，即圆对称高斯低通滤波器，`noise_var`参数为噪声功率，即$0.02$。

运行该代码，即可得到原始图像、模糊图像、加噪图像和复原图像，并显示在画布上。你可以自行调整参数，观察复原结果的变化。

需要注意的是，最小二乘算法并不能完全恢复原始图像，因为在模糊和加噪的过程中，信息已经丢失或者变形，复原的过程只能是近似的。因此，如果噪声越大，复原结果也会越差。