在Matlab下设计实验，对一幅灰度图像添加均值为0.1，方差为0.01的高斯噪声。结合频域滤波及相关去噪、增强处理方法，对图像质量进行改善，建议计算结果的峰值信噪比指标并对结果进行评价。实验需要用GUI设计人机交互界面。

这是一个非常有趣的实验项目！下面是一个可能的实验流程：

1. 读入图像
在Matlab中，可以使用imread函数读入图像。例如，如果图像文件名为"lena.png"，可以使用以下命令读入：

img = imread('lena.png');

读入后的图像将被存储为一个二维矩阵。

2. 添加高斯噪声
可以使用imnoise函数在图像中添加高斯噪声。例如，以下命令将在图像中添加均值为0.1，方差为0.01的高斯噪声：

noisyImg = imnoise(img, 'gaussian', 0.1, 0.01);

添加噪声后，可以将原始图像和噪声图像显示在GUI中供用户观察。

3. 频域滤波
频域滤波是一种常用的图像去噪方法。可以使用fft2函数将图像转换到频域，使用ifft2函数将其转换回空域。可以使用fftshift函数将频域中心移动到图像中心，以便进行滤波。可以使用filter2函数对图像进行低通滤波或高通滤波，以去除或增强特定频率的噪声。例如，以下命令将对图像进行低通滤波：

F = fftshift(fft2(noisyImg));
H = fspecial('gaussian', size(noisyImg), 5);
G = F .* H;
filteredImg = real(ifft2(ifftshift(G)));

其中，H是一个高斯滤波器，大小与图像相同，标准差为5。filteredImg是滤波后的图像。

4. 相关去噪、增强处理
除了频域滤波，还可以使用相关去噪方法对图像进行处理。例如，可以使用wiener2函数对图像进行维纳滤波。可以使用imsharpen函数对图像进行锐化处理。例如，以下命令将对图像进行维纳滤波和锐化处理：

denoisedImg = wiener2(noisyImg, [5 5]);
enhancedImg = imsharpen(denoisedImg);

其中，[5 5]是维纳滤波器的大小。

5. 计算峰值信噪比指标
可以使用psnr函数计算滤波后图像与原始图像之间的峰值信噪比指标。例如，以下命令将计算滤波后图像与原始图像之间的峰值信噪比指标：

psnrVal = psnr(filteredImg, img);

可以将该指标显示在GUI中供用户观察。

6. 对结果进行评价
可以让用户通过GUI将滤波后的图像与其他处理结果进行比较，并在界面上给出评价。例如，可以使用imtool函数在GUI中显示图像，并添加一些控件，允许用户选择不同的处理方法并评价结果。

希望这个实验流程能对你有所帮助！