clear;
I=imread('C:\ok\原始图.jpg');
imshow(I);
I=rgb2gray(I); %将原图像转化为黑白图
figure;
subplot(2,2,1);
imshow(I);
title('转成黑白图像');
[m,n]=size(I);
F=fftshift(fft2(I));
k=0.0025;
for u=1:m
for v=1:n
H(u,v)=exp((-k)*(((u-m/2)^2+(v-n/2)^2)^(5/6)));
end
end
G=F.*H;
I0=real(ifft2(fftshift(G)));
I1=imnoise(uint8(I0),'gaussian',0,0.001)
subplot(2,2,2);
imshow(uint8(I1));
title('模糊退化且添加高斯噪声的图像');
F0=fftshift(fft2(I1));
F1=F0./H;
I2=ifft2(fftshift(F1));
subplot(2,2,3);
imshow(uint8(I2));
title('全逆滤波复原图');
K=0.1;
for u=1:m
for v=1:n
H(u,v)=exp(-k*(((u-m/2)^2+(v-n/2)^2)^(5/6)));
H0(u,v)=(abs(H(u,v)))^2;
H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+K));
end
end
F2=H1.*F0;
I3=ifft2(fftshift(F2));
subplot(2,2,4);
imshow(uint8(I3));
title(维纳滤波复原图);
运行结果如下:
原始图:
复原后图像:
经过仿真,如上图所示,可以看出逆滤波复原与维纳滤波复原的区别和联系。维纳滤波后虽然仍有一些噪声存在,但已经和原图很接近了。因为原图像和噪声函数都是已知的,可以正确的估算参量。