卡尔曼滤波器图像去噪matlab

卡尔曼滤波是一种用于估计系统状态的方法，可以用于图像去噪。在Matlab中，可以使用`kalman`函数来实现卡尔曼滤波。

以下是一个示例代码，演示如何使用卡尔曼滤波器对图像进行去噪：

% 读入图像
img = imread('lena.png');

% 添加高斯噪声
noisy_img = imnoise(img, 'gaussian', 0, 0.01);

% 定义状态转移矩阵和测量矩阵
A = eye(2);
H = eye(2);

% 定义初始状态和协方差矩阵
x = [0; 0];
P = eye(2);

% 定义过程噪声和测量噪声的协方差矩阵
Q = eye(2) * 0.1;
R = eye(2) * 0.01;

% 创建卡尔曼滤波器对象
kf = kalman(A, H, Q, R, x, P);

% 对每个像素进行滤波
filtered_img = zeros(size(noisy_img));
for i = 1:size(noisy_img, 1)
    for j = 1:size(noisy_img, 2)
        % 获取当前像素的观测值
        z = double([noisy_img(i, j); noisy_img(i, j)]);
        
        % 使用卡尔曼滤波估计状态
        x = kf.update(z);
        
        % 将估计值作为滤波结果
        filtered_img(i, j) = x(1);
    end
end

% 显示原始图像、带噪声的图像和滤波后的图像
subplot(1, 3, 1);
imshow(img);
title('原始图像');

subplot(1, 3, 2);
imshow(noisy_img);
title('带噪声的图像');

subplot(1, 3, 3);
imshow(uint8(filtered_img));
title('卡尔曼滤波后的图像');

在这个示例代码中，我们首先读入一张图像，并添加高斯噪声。然后，我们定义了状态转移矩阵、测量矩阵、初始状态和协方差矩阵，以及过程噪声和测量噪声的协方差矩阵。接下来，我们创建了一个卡尔曼滤波器对象，并对每个像素进行滤波。最后，我们显示了原始图像、带噪声的图像和滤波后的图像。

需要注意的是，在实际使用中，卡尔曼滤波器可能会出现过拟合或欠拟合的情况，需要根据实际情况进行调整。