使用matlab编程实现以下内容：在大气湍流退化图像上添加高斯噪声，利用维纳滤波处理，同屏显示退化图像和恢复 图像，并标注维纳滤波参数 K，计算恢复图像的峰值信噪比 PSNR。

以下是使用 MATLAB 实现的代码：

% 读入图像并显示
I = imread('degraded_image.jpg');
figure, imshow(I), title('Degraded Image');

% 添加高斯噪声
noise_sigma = 25;
J = imnoise(I, 'gaussian', 0, (noise_sigma/255)^2);

% 显示添加噪声后的图像
figure, imshow(J), title('Noisy Image');

% 计算峰值信噪比
K = 0.01;
restored_image = wiener2(J, [5 5], K);
psnr_value = psnr(restored_image, I);

% 显示维纳滤波后的图像，并标注参数K和PSNR值
figure, imshow(restored_image), title(['Restored Image (K=' num2str(K) ', PSNR=' num2str(psnr_value) ')']);

其中，`degraded_image.jpg` 是输入的大气湍流退化图像，可以自行替换为其他图像。`noise_sigma` 是高斯噪声的标准差，可以根据需要进行调整。`K` 是维纳滤波的参数，可以根据需要进行调整。`[5 5]` 是维纳滤波器的大小，表示使用 $5 \times 5$ 的邻域进行滤波，也可以根据需要进行调整。`psnr` 函数用于计算峰值信噪比，可以用于评估图像质量。

相关问题

用MATLAB读取图像，在大气湍流退化图像上添加高斯噪声，利用维纳滤波处理，同屏显示退化图像和恢复图像，并标注维纳滤波参数 K，计算恢复图像的峰值信噪比 PSNR。

好的，这是一个关于 MATLAB 图像处理和维纳滤波的问题。下面是代码实现和解释：

% 读取图像
im = imread('lena.png'); % 请替换成你自己的图像
% 转换为灰度图像
im_gray = rgb2gray(im);

% 添加高斯噪声
im_noisy = imnoise(im_gray, 'gaussian', 0, 0.01); % 0.01 是噪声方差，可以调整

% 计算退化函数的点扩散函数（PSF）
psf = fspecial('motion', 20, 30); % 这里使用运动模糊，可以替换成你自己的退化函数

% 利用维纳滤波进行图像恢复
k = 0.01; % 维纳滤波参数，可以调整
im_restored = deconvwnr(im_noisy, psf, k);

% 显示图像和参数
figure;
subplot(1,2,1);
imshow(im_noisy);
title('退化图像');
subplot(1,2,2);
imshow(im_restored);
title(['恢复图像（K=' num2str(k) ')']);

% 计算峰值信噪比（PSNR）
psnr_value = psnr(im_gray, im_restored);
disp(['恢复图像的PSNR值：' num2str(psnr_value) ' dB']);

解释一下上面的代码：

首先，我们读取图像并转换为灰度图像。然后，我们添加高斯噪声，使用 `imnoise` 函数，其中第三个参数是噪声均值，第四个参数是噪声方差，可以根据需要进行调整。

接下来，我们需要计算退化函数的点扩散函数（PSF）。这里我使用了一个简单的运动模糊，你可以替换成你自己的退化函数。

然后，我们使用 `deconvwnr` 函数进行维纳滤波，其中第三个参数是维纳滤波的参数 K，可以根据需要进行调整。

最后，我们使用 `imshow` 函数显示退化图像和恢复图像，并标注维纳滤波参数 K。同时，我们计算恢复图像的峰值信噪比（PSNR），使用 `psnr` 函数。

希望这个代码可以帮助你解决问题！

对经过大气湍流退化的图片实现全逆滤波复原、维纳滤波复原、约束最小二乘滤波复原，并对比不同k值下的滤波效果(Matlab)。

全逆滤波、维纳滤波和约束最小二乘滤波都是常用的图像复原方法。其中，全逆滤波是一种简单直接的方法，但对于噪声较大或高频分量较强的图像，会出现振铃现象。维纳滤波是针对噪声较大的情况下进行图像复原的一种方法，可以有效地降噪，但是对于图像高频分量较强的情况，会有较强的平滑效果。约束最小二乘滤波则可以在保留图像细节的基础上，降噪和平滑图像。

以下是实现全逆滤波、维纳滤波和约束最小二乘滤波的Matlab代码：

% 读入图像并添加高斯噪声
I = im2double(imread('degraded_image.png'));
J = imnoise(I, 'gaussian', 0.01);

% 计算傅里叶变换
F = fft2(J);

% 计算全逆滤波系数
H = 1./F;

% 计算维纳滤波系数
K = 0.01;
S = abs(F).^2;
W = conj(F)./(S + K);

% 计算约束最小二乘滤波系数
lambda = 0.05;
T = lambda./(S + lambda);
C = conj(F).*T;

% 进行滤波复原
G_inv = real(ifft2(H.*F));
G_wiener = real(ifft2(W.*F));
G_lsq = real(ifft2(C.*F));

% 显示复原结果
figure;
subplot(2,2,1); imshow(I); title('原图');
subplot(2,2,2); imshow(J); title('加噪图');
subplot(2,2,3); imshow(G_inv); title('全逆滤波');
subplot(2,2,4); imshow(G_wiener); title('维纳滤波');

figure;
subplot(1,2,1); imshow(G_lsq); title('约束最小二乘滤波 (k=0.05)');

在以上代码中，我们首先读入了经过大气湍流退化的图像，并使用`imnoise`函数添加了高斯噪声。接着，我们计算了图像的傅里叶变换，并分别求出了全逆滤波、维纳滤波和约束最小二乘滤波的系数。最后，我们使用`ifft2`函数进行了滤波复原，并将结果进行了显示。

为了比较不同k值下的约束最小二乘滤波效果，我们可以使用循环语句，对不同的k值进行遍历，并重复进行滤波复原和显示操作：

% 不同k值下的约束最小二乘滤波
figure;
for k = [0.01, 0.05, 0.1, 0.5]
    T = k./(S + k);
    C = conj(F).*T;
    G_lsq = real(ifft2(C.*F));
    subplot(2,2,find([0.01, 0.05, 0.1, 0.5] == k)); imshow(G_lsq); title(['k=', num2str(k)]);
end

在以上代码中，我们对k值进行了遍历，并使用`find`函数找到当前k值在数值列表中的位置，然后将复原结果进行显示，并在标题中显示当前的k值。

运行以上代码，即可得到不同滤波方法的复原结果，以及不同k值下约束最小二乘滤波的效果。