cha=yt-uint8(qnoise); he=sum(sum(cha)); avg=he/(m*n); wucha=cha-avg; result1=(sum(sum(wucha.^2)))/(m*n); if result1==0 disp('swan图均方误差');result2=0 else disp('swan图均方误差');result2=sqrt(result1) end

这段代码计算了两个图像之间的均方误差（MSE）。其中，yt是原始图像，qnoise是加入噪声后的图像，m和n分别为图像的行数和列数。具体解释如下：

- 首先，计算了两幅图像之间的差值cha，即yt减去qnoise。
- 然后，计算了cha中所有元素的和he。
- 接着，计算了cha的均值avg，即he除以(m*n)。
- 计算了去均值后的cha，即wucha等于cha减去avg。
- 计算了wucha的均方误差result1，即对wucha中所有元素的平方进行求和，再除以(m*n)。这里用到了点乘运算符"."和幂运算符"^"。
- 最后，如果result1等于0，则输出"swan图均方误差"，否则输出"swan图均方误差"并计算result2，即result1的平方根，表示两个图像之间的均方误差。

需要注意的是，MSE是衡量两个图像之间相似度的一种常用指标。MSE越小，表示两幅图像之间的差别越小，相似度越高。