使用边界保持类平滑滤波器（灰度最小方差的均值滤波器），编写matlab程序，对含噪声（高斯噪声或椒盐噪声）图像进行去噪，并显示去噪前后的图像。

好的，以下是使用边界保持类平滑滤波器进行图像去噪的Matlab代码：

% 定义边界保持类平滑滤波器函数
function output = boundary_preserving_smoothing_filter(image, kernel_size, sigma)
    % 生成高斯核
    kernel = fspecial('gaussian', kernel_size, sigma);
    % 对图像进行卷积
    convolved = imfilter(image, kernel, 'replicate');
    % 计算均值和标准差
    mean = mean2(image);
    std = std2(image);
    % 计算边界保持权重
    weight = zeros(size(image));
    weight(image > mean) = 1;
    weight(image <= mean) = 1 - exp(-((image(image <= mean) - mean) .^ 2) / (2 * std ^ 2));
    % 对卷积结果和边界保持权重进行加权平均
    output = weight .* convolved + (1 - weight) .* image;
    output = uint8(output);
end

% 加载图像
image = imread('noisy_image.jpg');
% 对图像进行高斯噪声处理
noisy_image = imgaussfilt(image, 5);
% 对高斯噪声图像进行边界保持类平滑滤波器去噪
denoised_image = boundary_preserving_smoothing_filter(noisy_image, 5, 5);
% 显示去噪前后的图像
subplot(1, 3, 1), imshow(image), title('Original Image');
subplot(1, 3, 2), imshow(noisy_image), title('Noisy Image');
subplot(1, 3, 3), imshow(denoised_image), title('Denoised Image');

在上述代码中，我们使用了Matlab自带的fspecial()函数生成了指定大小和标准差的高斯核，并使用了imfilter()函数对图像进行卷积。然后，我们计算了图像的均值和标准差，并使用这些值计算了边界保持权重。最后，我们使用边界保持权重对卷积结果和原始图像进行加权平均，得到了去噪后的图像。我们使用了subplot()函数将原始图像、含噪声图像和去噪后的图像分别显示在一个窗口中。