用维纳滤波器进行图片恢复MATLAB代码

这里提供一个简单的MATLAB代码示例，用于使用维纳滤波器进行图像恢复：

% 读取待处理的图像
img = imread('lena.png');

% 生成模糊图像
h = fspecial('motion', 50, 45);
blurred = imfilter(img, h, 'conv', 'circular');

% 计算噪声方差
noise_var = var(im2double(blurred(:)));

% 计算维纳滤波器
wiener_filter = deconvwnr(blurred, h, noise_var);

% 显示结果
figure;
subplot(1, 3, 1);
imshow(img);
title('原始图像');

subplot(1, 3, 2);
imshow(blurred);
title('模糊图像');

subplot(1, 3, 3);
imshow(wiener_filter);
title('维纳滤波器恢复');

在这个代码中，我们先读取了一张图像，并使用 `fspecial` 函数生成了一个模糊核。然后，我们使用 `imfilter` 函数将模糊核应用到原始图像上，生成了一个模糊图像。接下来，我们计算了噪声方差，并使用 `deconvwnr` 函数计算了维纳滤波器。最后，我们将原始图像、模糊图像和使用维纳滤波器恢复的图像在一个图像窗口中进行了展示。

需要注意的是，这个代码示例只是一个简单的演示，实际应用中需要根据具体情况进行调整和优化。

相关问题

已知含有噪声,使用维纳滤波器对运动模糊的图像进行恢复MATLAB 代码

以下是使用维纳滤波器对运动模糊图像进行恢复的MATLAB代码：

% 读入运动模糊图像
img = imread('motion_blur_image.png');

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

% 设置运动模糊参数
len = 21; % 运动模糊核长度
theta = 11; % 运动模糊核角度
motion_psf = fspecial('motion', len, theta); % 生成运动模糊核

% 对图像进行运动模糊
blurred_img = imfilter(noisy_img, motion_psf, 'conv', 'circular');

% 使用维纳滤波器进行图像恢复
estimated_nsr = 0.001; % 估计噪声方差
wnr_img = deconvwnr(blurred_img, motion_psf, estimated_nsr);

% 显示原图像、含噪声图像和恢复图像
subplot(1,3,1); imshow(img); title('Original Image');
subplot(1,3,2); imshow(noisy_img); title('Noisy Image');
subplot(1,3,3); imshow(wnr_img); title('Restored Image');

在上述代码中，我们首先读入运动模糊图像，并添加高斯噪声。然后，我们设置运动模糊参数并在图像上应用运动模糊。接下来，我们使用`deconvwnr`函数对模糊图像进行维纳滤波器恢复，并估计噪声方差。最后，我们使用`subplot`函数显示原始图像、含噪声图像和恢复图像。

不添加噪声，使用维纳滤波器对运动模糊的图像进行恢复MATLAB 代码

% 读取运动模糊图像
img = im2double(imread('motion_blur_image.jpg'));

% 定义运动方向和长度
theta = 45; % 运动方向
len = 15; % 运动长度

% 生成点扩散函数（PSF）
psf = fspecial('motion', len, theta);

% 对图像进行卷积
blurred = imfilter(img, psf, 'conv', 'circular');

% 恢复图像
restored = deconvwnr(blurred, psf);

% 显示图像
figure;
subplot(1,2,1); imshow(blurred); title('运动模糊图像');
subplot(1,2,2); imshow(restored); title('恢复图像');

% 评估恢复质量
psnr_val = psnr(restored, img);
fprintf('PSNR值为: %.2f dB\n', psnr_val);