matlab图像复原维纳滤波，最小二乘方,L-R，盲去卷积图像复原比较的程序代码

clcclear all

%读原始图像%

format long

Blurred=imread('fig525(b).bmp')

subplot(1,2,1)imshow( Blurred)title('原图像')

%自编函数进行维纳滤波%

k=0.0025

[m,n]=size(Blurred)

spectrum=zeros(m,n)

H=zeros(m,n)

for u=1:m

for v=1:n

H(u,v)=exp(-k*((u-m/2)^2+(v-n/2)^2)^(5/6))

spectrum(u,v)=H(u,v)^2

end

end

f=double(Blurred)

F1=fftshift(fft2(f))

HW=H./(spectrum+0.001)

restore1=HW.*F1

restored=real(ifft2(ifftshift(restore1)))

subplot(1,2,2)imshow(restored,[])title('自编函数进行维纳滤波')

%调用matlab提供的维纳滤波函数%

figure

hw1=real(ifft2(ifftshift(H)))%转化到空域上来

result1=deconvwnr(Blurred,hw1,0.001)

result2=ifftshift(result1)%再去图像进行1，3象限对调，2与4象限对调

subplot(1,2,1)imshow(result2,[])title('调用维纳滤波函数')

所谓反卷积就是把Iout再变回Iin的过程，也就是去除了滤波器的效应。

但是这个过程往往比较困难。因为卷积 *** 作往往会使得图像丢失信息，比如低通后的图像高频已经丢失，丢失的信息自然无法复原了。

尤其是实际中污染图像的系统往往还是未知的(噪声，人为破坏)，这就使恢复变得更为困难，在本科课程中，看见过一个最优化的恢复滤波器，即维纳滤波，其可以比较好(从误差角度上考虑)的恢复出图像原始的样子。

图像处理反卷积的应用

最早支持反卷积是因为图像去噪跟去模糊，知道图像去模糊时候会使用反卷积技术，那个是真正的反卷积计算，会估算核，会有很复杂的数学推导，主要用在图像的预处理与数字信号处理中。

本质上反卷积是一种图像复原技术，典型的图像模糊可以看成事图像卷积 *** 作得到的结果，把模糊图像重新复原为清晰图像的过程常常被称为去模糊技术，根据模糊的类别不同可以分为运动模糊与离焦模糊，OpenCV支持对这两张模糊图像进行反卷积处理得到清晰图像。

反卷积的基本原理就是把图像转换到频率域，通过估算图像的核函数，在频率域对图像点乘计算之后，重新获取图像信息，转回为空间域。

主要 *** 作都在频率域，转换通过离散傅里叶（DFT）变换与反变换，通过维纳滤波处理获取反模糊信息，OpenCV支持反卷积采用维纳滤波方式的去模糊，但是参数调整事一个大坑，基本上每张图像的参数都不一样，很难有相同的结果。

最近这些年，图像反模糊逐步被深度学习的方法引领，OpenCV提供的那几个函数越来越少的人知道，主要是通用性很差。

卷积在图像处理的应用中一般是卷积滤波，即用一个卷积模板（卷积核/滤波器）去进行滤波，而傅里叶变换在信号处理中往往是变换时域和频域，在图像处理中便是空域和频域。

图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。

常用方法

1 ）图像变换

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理。

2 ）图像编码压缩

图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

3 ）图像增强和复原

图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。

4 ）图像分割

图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。

---