使用维纳滤波算法来实现，不用直接的函数

如果您想手动实现维纳滤波算法而不使用MATLAB内置的函数，可以按照以下步骤进行：

% 步骤1：加载图像
image = imread('image.jpg'); % 替换为您的图像路径

% 步骤2：将图像转换为矩阵形式
image = im2double(image); % 转换为双精度图像矩阵

% 步骤3：添加运动模糊和噪声
motion_blur_kernel = fspecial('motion', 20, 45); % 运动模糊核
blurred_image = imfilter(image, motion_blur_kernel, 'conv', 'circular'); % 应用运动模糊
noisy_image = imnoise(blurred_image, 'gaussian', 0, 0.01); % 添加高斯噪声

% 步骤4：维纳滤波去除运动模糊和噪声
estimated_nsr = 0.01 / var(image(:)); % 估计图像的信噪比

% 计算运动模糊核的傅里叶变换
motion_blur_kernel_fft = fft2(motion_blur_kernel, size(image, 1), size(image, 2));

% 计算图像的傅里叶变换
image_fft = fft2(noisy_image);

% 计算维纳滤波的频域传递函数
wiener_filter = conj(motion_blur_kernel_fft) ./ (abs(motion_blur_kernel_fft).^2 + estimated_nsr);

% 在频域应用维纳滤波
filtered_image_fft = wiener_filter .* image_fft;

% 计算滤波后的图像
filtered_image = real(ifft2(filtered_image_fft));

% 步骤5：比较去除模糊和原始图像
figure;
subplot(1, 2, 1);
imshow(image);
title('原始图像');
subplot(1, 2, 2);
imshow(filtered_image);
title('去除模糊图像');

% 保存结果
imwrite(filtered_image, 'deblurred_image.jpg'); % 替换为您想要保存的路径

在上述代码中，我们首先加载图像并将其转换为双精度矩阵。然后，我们使用 `fspecial` 函数创建一个运动模糊核，并使用 `imfilter` 函数将该核应用于图像，生成一个运动模糊的图像。接下来，我们使用 `imnoise` 函数向图像添加高斯噪声。

然后，我们估计图像的信噪比，并计算运动模糊核的傅里叶变换。接着，我们计算图像的傅里叶变换，并根据维纳滤波的频域传递函数进行滤波操作。最后，我们通过逆傅里叶变换得到滤波后的图像。

最后，我们使用 `imshow` 函数将原始图像和滤波后的图像进行对比显示，并使用 `imwrite` 函数将滤波后的图像保存到指定路径。

请注意，手动实现维纳滤波算法需要一定的数学基础和编程技巧。以上代码仅为示例，实际应用中可能需要根据具体情况进行调整和优化。希望对您有所帮助！