使用维纳滤波器的DeBlur图像
此示例显示如何使用Wiener Deconvolution进行Deblur图像。当图像和加性噪声的频率特性是已知的至少某种程度的情况下，可以有效地使用Wiener Deconvolulate。
读原始图像
读取并显示不具有模糊或噪声的原始图像。
ioriginal = imread（'cameraman.tif'）;imshow（Ioriginal）标题（'原始图像'）
模拟和恢复运动模糊没有噪音
模拟可能由相机运动产生的模糊图像。首先，创建一个点传播功能，PSF.，通过使用fspecial.以11度的角度跨越21像素的功能和指定线性运动。然后，通过使用将点扩展函数与图像旋转Imfilter.。
原始图像具有数据类型uint8.。如果你通过了uint8.图像到Imfilter.，然后该功能将量化输出才能返回另一个uint8.图片。为了减少量化错误，将图像转换为双倍的在打电话之前Imfilter.。
psf = fspecial（'运动'，21,11）;idouble = im2double（ioriginal）;模糊= imfilter（idouble，psf，'conv'那'圆'）;imshow（模糊）标题（'模糊图像'）
通过使用恢复模糊的图像Deconvwnr.功能。模糊的图像没有噪音，因此您可以省略噪声到信号（NSR）输入参数。
wnr1 = deconvwnr（模糊，psf）;imshow（wnr1）标题（'恢复模糊图像'）
模拟和恢复运动模糊和高斯噪音
通过使用使用的模糊图像将零表示高斯噪声添加到模糊图像imnoise.功能。
kotice_mean = 0;COURLE_VAR = 0.0001;blurred_noisy = imnoise（模糊，'高斯'，kide_mean，kide_var）;imshow（blureRd_noisy）标题（'模糊和嘈杂的图像'）
尝试通过使用恢复模糊的嘈杂图像Deconvwnr.不提供噪音估计。默认情况下，Wiener恢复过滤器假定NSR等于0.在这种情况下，维纳恢复滤波器等同于理想的逆滤波器，这对输入图像中的噪声非常敏感。
在该示例中，在该恢复中的噪声被放大到图像内容丢失的程度。
wnr2 = deconvwnr（blurred_noisy，psf）;imshow（wnr2）标题（'恢复模糊的嘈杂图像（NSR = 0）'）
尝试通过使用恢复模糊的嘈杂图像Deconvwnr.具有估计噪声的更现实的价值。
signal_var = var（idouble（:)）;nsr = ocket_var / signal_var;wnr3 = deconvwnr（blureRd_noisy，psf，nsr）;imshow（wnr3）标题（'恢复模糊的嘈杂图像（估计NSR）'）
模拟和恢复运动模糊和8位量化噪声
即使是视觉上的易易察觉的噪音也会影响结果。一个噪声源是量化错误与图像一起使用uint8.表示。更早，为了避免量化错误，该示例模拟了从数据类型中的原始图像模糊图像双倍的。现在，为了探索量化误差对恢复的影响，模拟原始原始图像的模糊图像uint8.数据类型。
blurred_quantized = imfilter（Ioriginal，psf，'conv'那'圆'）;imshow（blured_quantized）标题（'模糊量化图像'）
尝试使用的恢复模糊量化图像Deconvwnr.不提供噪音估计。即使没有添加额外的噪声，与数据类型中模糊图像的恢复相比，这种恢复降低了双倍的。
wnr4 = deconvwnr（模糊_quantized，psf）;imshow（wnr4）标题（'恢复模糊量化图像（NSR = 0）'）;
尝试使用的恢复模糊量化图像Deconvwnr.具有估计噪声的更现实的价值。
serial_quantization_var =（1/256）^ 2/12;signal_var = var（idouble（:)）;nsr = serial_quantization_var / signal_var;wnr5 = deconvwnr（blureRd_quantized，psf，nsr）;imshow（wnr5）标题（'恢复模糊量化图像（估计NSR）'）;
也可以看看
Deconvwnr.|fspecial.|Imfilter.|imnoise.
相关话题
您还可以从以下列表中选择一个网站：
