matlab 图片频域去噪实例（详细注释）

I=imread('lula.jpg');%输入lula
imshow(I)
I=imnoise(I, 'gaussian', 0, 0.01);%加高斯白噪声，均值为0，方差为0.01
figure(2)
imshow(I)
J=fftshift(fft2(I));%快速傅里叶变换加shift
figure(3)
%归一化
% M=real((J))-min(min(min(real(J))));%减去最小的，搬到0
% M=M./max(max(max(M)));%除以最大的，压缩到0-1
% M=M.*255;%乘以255，伸展到8位图像空间

imshow(uint8(real(J)))%显示频谱图（未归一化）
%该图片低频功率非常高，若显示归一化后的图像，则图像中心有一个亮点，四周黑暗


[row,col,~]=size(I);
H=zeros(row,col);
x0=floor(row/2);%图片中心
y0=floor(col/2);
D0=100;%截止频率
n=0.2;%滤波器阶数
for u=1:row
    for v=1:col
        D=(u-x0)^2+(v-y0)^2;%计算距离
        H(u,v)=1/(1+(D/D0))^(2*n);%计算系统函数
    end
end
W=H.*J;%直接点乘滤波

denoise=ifft2(ifftshift(W));%返回空域
figure(4)
imshow(uint8(real(denoise)))%显示去噪后图片

输入原图片：

加入均值为0，方差为0.01的高斯白噪声后：

转换到频域，观察频谱图（中间亮为低频多，四周亮为高频多）

这个频域图未做归一化，归一化后图片四周是黑色的，中间是白色亮点，说明该图像低频成分极多。

对于频谱图，距离中心近的为低频，距离中心远的为高频。设计一个系统函数，该函数为一个低通滤波器：
$$H(u,v)=\frac{1}{1+(\frac{D}{D_0}{)}^{2n}}$$
设当前测试点（u,v）距离频谱图中心的距离为$D$，截止频率为$D_0=100$，滤波器阶数为$n=0.2$
滤波器大概长这个样子：

与频谱图做点乘，可以得到低通滤波后的结果，再通过傅里叶反变换返回空域图像：

可以看到噪点明显被消除了，但是由于高频成分也丢失了，因此图片边缘消失，直观上看图片变模糊了。