psnr = get_psnr(y, y_est)怎么调整维纳滤波中Kaiser窗的宽度

在维纳滤波中，Kaiser窗的宽度由一个参数beta控制。beta越大，Kaiser窗的主瓣就越狭窄，但是副瓣的振幅也会增加，因此需要在主副瓣之间进行权衡。一般来说，beta的推荐范围是2到8之间。

Kaiser窗的函数形式为：

w(n) = I0(beta * sqrt(1 - ((n - M) / (M))^2)) / I0(beta)

其中，n表示窗口的索引，M表示窗口的中心位置，I0是第一类修正贝塞尔函数。

为了调整Kaiser窗的宽度，可以通过调整beta的值来实现。一般来说，可以从一个合适的初始值开始，逐步调整beta的大小，直到得到最佳的结果。例如，可以使用以下代码来实现：

import numpy as np
from scipy.signal import convolve2d
from skimage.metrics import peak_signal_noise_ratio

def wiener_filter(img, kernel, K, beta):
    # Compute the Fourier transform of the image and the kernel
    img_freq = np.fft.fft2(img)
    kernel_freq = np.fft.fft2(kernel, s=img.shape)

    # Compute the power spectrum of the noise
    noise_power = abs(np.fft.fft2(img - convolve2d(img, kernel, mode='same'))) ** 2 / img.size

    # Compute the Wiener filter
    kernel_freq = np.conj(kernel_freq) / (abs(kernel_freq) ** 2 + K * noise_power)
    kernel_freq *= np.exp(-beta * np.linspace(-1, 1, kernel.shape[0]) ** 2)

    # Compute the filtered image
    img_freq = img_freq * kernel_freq
    img_filtered = np.fft.ifft2(img_freq).real

    # Compute the PSNR between the original and filtered images
    psnr = peak_signal_noise_ratio(img, img_filtered)

    return img_filtered, psnr

其中，beta通过np.exp(-beta * np.linspace(-1, 1, kernel.shape[0]) ** 2)进行调整。可以尝试不同的beta值，找到最优的结果。