盲反卷积与维纳滤波图像复原的对比

最新推荐文章于 2024-04-06 08:51:58 发布

zssyu0416

最新推荐文章于 2024-04-06 08:51:58 发布

阅读量5.4k

点赞数 1

分类专栏： MATLAB 文章标签：盲反卷积维纳滤波

本文链接：https://blog.csdn.net/zssyu0416/article/details/80352686

版权

该博客通过示例代码详细比较了维纳滤波和盲反卷积在图像复原方面的应用。首先，使用fspecial创建退化滤波器并模拟运动模糊，接着在退化图像上添加高斯噪声。然后，通过deconvwnr函数进行维纳滤波复原，并探讨了退化函数参数的影响。最后，利用deconvblind函数进行盲反卷积，对比了不同初始PSF设置对复原效果的影响。

摘要由CSDN通过智能技术生成

clc;
clf;
clear;
close all;
%% 维纳滤波图像复原

% 1.使用函数fspecial创建退化滤波器PSF，然后调用imfilter对图像进行卷积运算，就可以
% 得到一幅运动退化图像，观察并记录结果。

I=imread('cameraman.tif'); % 读入图像
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THETA); % 生成退化函数
blurred=imfilter(I,PSF, 'circular','conv');
figure,imshow(I);title('1.原图像');
figure,imshow(blurred);title('2.运动退化图像');

% 2.使用imnoise函数对图像添加随机噪声，观察并记录结果。
fnblurred =imnoise(blurred, 'gaussian',0,0.0001); % 产生高斯随机噪声图像
figure, imshow(fnblurred);title('3.加噪之后');

% 3.使用函数deconvwnr对无噪声的运动模糊图像进行复原，观察并记录结果。同时采用不同的
% LEN和THETA参数，进行实验，体会一下退化函数PSF的重要性，观察并记录结果。
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THET