生成完整的python代码，要求生成退化图像，运动模糊方向为60度，模糊核大小为15，并添加噪声；通过逆滤波复原图像；设定合适的K值，通过维纳滤波方法较好地复原图像，并在一个窗口内展示退化图像，逆滤波复原图像，维纳滤波复原图像

为了满足您的需求，这里是一个简单的Python代码片段，它使用`PIL`库来处理图像，`numpy`用于数值计算，以及`scipy`库进行滤波操作。请注意，这个示例假设您已经安装了这些库。

from PIL import Image, ImageFilter
import numpy as np
import scipy.signal as signal
from scipy.ndimage import convolve

# 加载原始图像
img_path = 'original_image.jpg'  # 替换为实际图片路径
img = Image.open(img_path)

# 退化图像
angle = 60
radius = 15
motion_blur = img.filter(ImageFilter.KernelBlur(radius=radius, angle=angle))
motion_blurred_img = np.array(motion_blur)

# 添加噪声
sigma = 10  # 设置噪声强度
noisy_img = motion_blurred_img + sigma * np.random.normal(size=motion_blurred_img.shape)

# 逆滤波（这里我们简单使用均值滤波作为例子）
mean_filter_size = 3
mean_filtered_img = ndimage.uniform_filter(noisy_img, size=mean_filter_size)

# 维纳滤波
k_value = 0.5  # K值的选择会影响复原效果，可以根据实际需要调整
win_size = 7
wiener_filtered_img = signal.wiener(mean_filtered_img, (win_size, win_size), kaiserord=k_value)

# 将滤波后的图像转换回PIL并显示
 Weiner_filtered_img_pil = Image.fromarray(Wiener_filtered_img)
window_titles = ['Original', 'Motion Blurred', 'Noisy', 'Mean Filtered', 'Wiener Filtered']
fig, axs = plt.subplots(2, 3, figsize=(15, 10))
for i, ax in enumerate(axs.flat):
    if i < 4:
        ax.imshow(window_titles[i] + ' Image', cmap='gray')
        ax.axis('off')
    else:
        ax.imshow(Wiener_filtered_img_pil, cmap='gray')
        ax.set_title(window_titles[-1])
plt.show()