【正文】 一樣大小尺寸的數組，： NSR模糊圖像 NSR恢復圖像4）調用函數J=deconvwnr（I,PSF,NCORR,ICORR）中的NCORR和ICORR分別是噪聲和原始圖像的自相關函數, NCORR和ICORR是不超過原始圖像的尺寸和維數的任意尺寸和維數。： NOORR和ICORR運動模糊圖像 通過自相關函數復原圖像結果可以看出，當采用原始圖像和噪聲的自相關函數進行復原時，復原圖像效果還可以，對噪聲進行了較好的平滑，但當采用噪聲功率和原始圖像的一維自相關函數進行圖像復原時，由于采用的信息不完整，因此導致復原圖像中產生了網格。綜上所訴，當自相關函數PSF為已知時，NCORR和ICORR對噪聲圖像的復原效果是最好的。motion39。已知，點擴散函數與圖像移動的像素點和角度有關，即通過函數調用可求得：LEN=21，Theta=：5）： 圖 無噪聲恢復圖6）有噪聲情況下，： 有噪聲模糊圖像 7）用NSR進行圖像復原，： NSR模糊圖像圖 NSR復原圖8)用NCORR和ICORR進行圖像復原，： NCORR和ICORR模糊圖像 NCORR和ICORR復原圖通過上圖對比可知，維娜濾波復原法中，NCORR和ICORR對圖像的復原效果優(yōu)于其他復原法。經過不斷的反復仿真驗證，經驗值K在010之間取值效果比較好。 當K=0時，圖像復原的的效果圖為: k=0時效果圖 當K=1時： k=1時效果圖K=2時： K=2時效果圖逆濾波即使在有小噪聲的影響下，它的恢復效果也很差，甚至是面目全非，： 逆濾波運動模糊圖像 逆濾波恢復圖像 對維納濾波和逆濾波的仿真效果對比可知，通過與PSF圖像復原對比可知，k=1時的圖像復原效果好。 總結 景物成像過程中可能會出現(xiàn)模糊、失真或混入噪聲，最終導致圖像質量下降。本設計針對維納濾波復原的原理進行了研究，首先，估計點擴散函數并得到點擴散函數的近似值，并對無噪聲圖像進行復原。最后，對維納濾波和逆濾波復原的效果做比較，可知維納濾波對運動模糊圖像的復原效果是優(yōu)于逆濾波的。噪聲背景中檢測微弱信號，接收機輸出的信噪比越大，越容易發(fā)現(xiàn)和檢測到目標，而匹配濾波器就是在此最大輸出信噪比準則下的最佳線性濾波器；但維納濾波是對噪聲背景下的信號進行估計，它是最小均方誤差準則下的最佳線性濾波器。 參考文獻[1] [M].北京：機械工業(yè)出版社，2003，41~46。[3] ：陜西人民教育出版社，2003。[5] 陳友淦. 基于MATLAB的維納濾波器仿真研究：[碩士學位論文][D] .中國科技論文網[6]（日）：科學出版社。 [9] Widrow D. Adaptive Signal 。Sons, Inc. 1996。Sons, Inc. 1996。[13] 寧媛。實用數字圖像處理。39。 % 讀入一幅彩色圖像imshow(imgRgb)。 % 轉為灰度圖像figure % 打開一個新的窗口顯示灰度圖像imshow(imgGray)。39。 % 將灰度圖像保存到圖像文件當輸入圖像無噪聲時，且PSF已知：clear allI=imread(39。)。Len=21。PSF=fspecial(39。,Len,Theta)。circular39。conv39。%采用真實的PSF復原圖像WnrI1=deconvwnr(Blurredmotion,PSF)。title(39。)figure(2)subplot(2,2,1)。title(39。)。imshow(WnrI1)。采用真實PSF復原圖像39。輸入圖像有噪聲，且PSF已知：clear allI=imread(39。)。Theta=42。motion39。Blurredmotion=imfilter(I,PSF,39。,39。)。Blurred_M_N=imadd(Blurredmotion,im2uint8(noise))。figure(1)imshow(I)。原圖像39。figure(2)subplot(1,2,1)。title(39。)。imshow(WnrI1)。采用真實PSF復原圖像39。NSR 復原法：clear allI=imread(39。)。Theta=42。motion39。Blurredmotion=imfilter(I,PSF,39。,39。)。Blurred_M_N=imadd(Blurredmotion,im2uint8(noise))。%用真實的NSRWnrI1=deconvwnr(Blurred_M_N,PSF,NSR)。%用過小的NSRWnrI3=deconvwnr(Blurred_M_N,PSF,*NSR)。title(39。)。imshow(Blurred_M_N)。運動噪聲模糊圖像39。subplot(2,2,2)。title(39。)。imshow(WnrI2)。用過大的NSR復原圖像39。subplot(2,2,4)。title(39。)。39。I=im2double(I)。Theta=42。motion39。Blurredmotion=imfilter(I,PSF,39。,39。)。Blurred_M_N=im2uint8(imadd(Blurredmotion,noise))。NPOW=sum(NP(:))/prod(size(noise))。%計算原始圖像功率IP=abs(fftn(I)).^2。%計算原始圖像自相關函數ICORR=fftshift(real(ifftn(IP)))。WnrI1=deconvwnr(Blurred_M_N,PSF,NCORR,ICORR)。%顯示結果subplot(2,2,1)。title(39。)subplot(2,2,2)。title(39。)。imshow(WnrI1,[])。PSFNCORRICORR復原圖像39。subplot(2,2,4)。title(39。)。39。figure(1)imshow(I)。原圖像39。len=20。psf=fspecial(39。,len,theta)。circular39。conv39。figure(2)imshow(I1)。模糊圖像39。%計算頻譜K=fft2(I)。%直流分量移動到頻譜中心N=abs(M)。%歸一化figure(3)imshow(P)。原圖像傅里葉變換頻譜39。K1=fft2(I1)。%直流分量移動到頻譜中心N1=abs(M1)。%歸一化figure(4)imshow(P1)。模糊圖像傅里葉變換頻譜39。計算模糊距離：%計算模糊距離I=imread(39。)。title(39。)。theta=30。motion39。I1=imfilter(I,psf,39。,39。)。title(39。)。h=fspecial(39。)。same39。%sobel算子微分IP=abs(fft2(J))。figure(3)plot(S)。自相關函數39。%用Data Cursor測得兩負峰之間的距離即為模糊距離水平方向運動時，忽略位移角度，維納濾波仿真程序如下：clear all。%通過模擬水平運動模糊建立退化函數d=5。h(d+1,1:2*d+1)=1/(2*d)。39。[m n]=size(fig1)。fe(1:m,1:n)=fig1。he(1:2*d+1,1:2*d+1)=h。H=fft2(he)。gaussian39。G=fft2(double(g))。F=((abs(H).^2)./(abs(H).^2+k)).*G./H。%顯示結果figure(1),imshow(fig1)。figure(3),imshow(uint8(f(1:m,1:n)),[min(f(:)) max(f(:))])。h=zeros(2*d+1,2*d+1)。%模糊原圖像并加入噪聲fig1=imread(39。)。fe=zeros(m+2*d,n+2*d)。he=zeros(m+2*d,n+2*d)。F=fft2(fe)。g=imnoise(uint8(ifft2(F.*H)),39。,0,)。%對退化圖像做二維傅立葉變換得到退化圖像頻譜圖H1=fftshift(abs(H))。for i = 1:m+2*d for j = 1:n+2*d if abs(H(i,j)) 。 else FrH(i,j) = 1/H(i,j)。%得到逆濾波復原后的圖像rnbA1 = abs(ifft2(FrnbA1))。imshow(fig1)。原圖像39。xlabel(39。)%figure,。title(39。)。(b)degraded image39。imshow(rnbA1(1:m,1:n),[])。逆濾波復原的圖像39。xlabel(39。)。imshow(H1)。退化圖像頻譜圖39。%霍夫變換檢測頻譜圖條紋間距附錄（二）：外文文獻翻譯：：自適應雙向擴散圖像恢復摘要 大量的應用程序在圖像處理和計算機視覺中依賴于圖像質量。此外，我們引入到數據保真度的術語，它形成了一個空間上變化的約束的梯度因子，并允許更好地恢復圖像邊緣和細節(jié)。最后，我們將展示清晰的邊緣，這種方法的優(yōu)點是去噪和恢復與其他相關的實驗方法相比，使細節(jié)圖像表現(xiàn)得更加清晰。1. 引言圖像處理和計算機視覺應用中大量依賴于圖像質量。因此，圖像去噪和去模糊，是非常重要的任務[1] 。作為一個原則估計性問題，圖像去噪和去模糊可在論貝葉斯地圖上討論：一個試圖最小化后的能量[2] (2) 在這里，第一項是編碼事先假設的正則化項，而第二個可確保觀測到的數據與還原的圖像是相符的。然而，它的邊緣圖像的梯度范數過于平滑。為了獲得圖像邊緣檢測的邊緣直接定位，Perona和馬利克[ 7 ] 提出空間變化的非線性擴散相方程。在這里，我們主要關注的是未知模糊算子H 下盲圖像去模糊。然而，反擴散是非常不穩(wěn)定的。使用穩(wěn)定技術精心研制的反向擴散項，我們得到一個穩(wěn)定的數值方案。本文的結構如下。然后，在3節(jié)中，數值實現(xiàn)理論分析進行了討論。第5節(jié)得出結論。擴散處理后來有不同的圖像復原方法，如隨機變分正則化，區(qū)域化，尺度空間濾波，各向異性擴散，等[ 2，13，21–23 ]。在吉洪諾夫正則化[ 3 ]中，我們考慮以下的條件： (3)其中λ是一個正的加權參數。其實，這是一個偏各向同性擴散方程。它代表平滑圖像作為一個集合，不同尺度空間參數是用于抑制細尺度圖像的平滑核的大小結構。 然而，各向同性擴散不能保存圖像邊緣平滑的原本圖像中的一切。包括在此時法線方向落后的擴散過程的等照度線的圖像，它可以去模糊圖像的邊緣，在一個穩(wěn)定的系統(tǒng)中。這種模式只進行正向擴散沿當時的切線方向的邊緣有選擇性地平滑。這種模糊處理量與給定的圖像作為初始數據運行了一段時間的熱擴散方程。換句話說，它是一個反向的擴散過程。反復進行這個過程，將導致一個定向擴散方程（包括沿切線方向）反向擴散。眾所周知，特殊的恢復技術需要穩(wěn)定的過程[ 11，18，19，25 ]。在盲圖像去模糊中未知模糊算子H的情況下，我們提出以下的自適應雙向擴散方程： （9）一個非增函數，滿足當時，同時，當時。在切線方向上，主要用于均質區(qū)域g? 1，其中圖像是由有選擇性的平滑邊緣的兩側和最小的平滑邊緣本身對圖像去噪。由此產生的正則化方法與不合適的約束參數λ使圖像平滑的紋理和細節(jié)失真。為了克服這種恢復圖像，參數必須是空間變化的，他是重要的圖像特征用于其他地方。隨著空間變化的約束，我們可以使用漸變檢測器來控制圖像恢復的過程。由于公式（9）中的反擴散項是極不穩(wěn)定的，一個特殊的穩(wěn)定技術引入是為了克服圖像的失真。首先，我們在一個一維向量的形式形象地描述：U = { ，I = 1,2，……，MN }。梯度在中央有限近似差分格式。定義在x方向上的擴散通量： （13）在y方向上，情況也相似。因此，結合公式（12）—公式（15） ，我們有以下的數值逼近計劃： （16）矩陣向量的形式，通過在x和y方向的分裂，可以改寫為： （17）這里，和和 (18) (19) (20) 在這里，表示鄰里點在L∈{ X，Y }方向。由于矩陣是嚴格的對角矩陣，它是可逆的。其實，為了能夠推導出公式（17），我們可以用高斯消去算法（見4358頁[27 ] ）：1。在y方向上變換： 3。定理1。 2，令。3，公式（16）滿足離散的最大最小原則： (22)證明：（1）。我們定在L方向的一般演變： （23）然后， 進行CFL（柯朗弗里德里希路易）限制。 （24） （25）一個簡單的計算給出了穩(wěn)定條件。因此，公式（21）變換