matlab 产生高斯随机粗糙面的函数 输入变量为点数 长度 相关长度 均方根高度

MATLAB中可以使用函数surf函数和randn函数产生高斯随机粗糙面。

首先定义一个网格坐标矩阵[X,Y]，然后使用randn函数生成在每个格点处的高斯随机噪声，最后使用meshgrid函数生成可视化的网格。

具体代码如下：

function [Z] = gaussian_roughness(n, L, l_c, h_rms)
% n: 点数
% L: 长度
% l_c: 相关长度
% h_rms: 均方根高度
% Z: 生成的高斯随机粗糙面矩阵

[x, y] = meshgrid(linspace(0, L, n), linspace(0, L, n));
z_v = randn(n,n);
for k1 = 1:n
for k2 = 1:n
z_v(k1,k2) = z_v(k1,k2).*exp(-(k1^2 + k2^2)^0.5*l_c/L); % 加入相关性
end
end
z_v = z_v/sqrt(sum(z_v(:).^2))/sqrt(2); % 归一化
Z = h_rms*z_v.*sqrt(n*L^2/(n-1));
surf(x,y,Z)
end

该函数的输出是一个高斯随机粗糙面的矩阵Z，并绘制了对应的三维图像。在生成高斯随机噪声时，每个格点处的数值是一个服从均值为0、标准差为1的高斯分布的随机数。然后加入相关性，使其成为拥有相应相关长度的高斯随机噪声。最后通过归一化和均方根高度调整幅值，生成最终的高斯随机粗糙面。

相关问题

matlab图像峰值信噪比与均方根误差MSE的代码

以下是 MATLAB 中计算图像峰值信噪比（PSNR）和均方根误差（MSE）的示例代码：

% 读取图像
img = imread('image.jpg');

% 添加高斯噪声
noisy_img = imnoise(img, 'gaussian', 0, 0.01);

% 计算 MSE
mse = immse(img, noisy_img);

% 计算 PSNR
max_pixel_value = 255;
psnr = 10 * log10((max_pixel_value ^ 2) / mse);

% 显示结果
fprintf('MSE: %f\n', mse);
fprintf('PSNR: %f dB\n', psnr);

这段代码首先使用 `imread` 函数读取图像，然后使用 `imnoise` 函数向图像添加高斯噪声。接下来，使用 `immse` 函数计算原始图像和带噪声图像之间的 MSE，使用 `log10` 函数计算 PSNR。最后，使用 `fprintf` 函数打印 MSE 和 PSNR 的值。

注意，`max_pixel_value` 变量应该设置为图像像素值的最大可能值。如果图像是灰度图像，则通常为 255；如果图像是彩色图像，则通常为 255 × 3 = 765。