图像退化与复原实验报告
图像复原综述
找一 种快速的计算方法得到相应的数值，提高算法的效率。
•
2.2 L-R算法
•
在像素点满足泊松分布的情况下，在贝叶斯条件概率模型的基础上采用极大似然
估计通过迭代的方下，图像的复原可能会出现斑点，而且算法的迭
代对图像噪声有放大的功能，而且缺乏有效的迭代终止条件。
•
我觉得可以构建一个权，加入进去
•
首先我们对一副图求导，就是一阶差分，记录每个得到 (dx1,dx2,dx3......dxn)
•
去权为1/(1+dxn) 对于梯度小的dxn就小，相应权值就大，对于梯度大的，dxn就越
大，权值就越小 不过我觉得还应该对dxn做归一化，取最大的dxn为k做归一化 这个k我
•
指利用多帧低分辨率图像，求解成像的逆过程，重建原图的高分辨率图像。
图像复原算法的展望
• 就维纳滤波谈我的想法：
• 维纳滤波的最优标准是基于最小均方误差的且对所以误差等权处理，这个标准在数 学上可以接受，但却是个不适合人眼的方式，原因在于人类对复原错误的感知在具有 一致灰度和亮度的区域中更为严重，而对于出现在暗的和高梯度区域的误差敏感性差 得多
觉得可以通过实践总结得到，找到一个最适合的k值 。
•
谢谢观赏
图像复原算法
• 3. 新兴的图像复原算法
•
3.1 神经网络图像复原算法(分两类)
•
①将图像复原问题转化为极小值的问题来处理，再映射为Hopfield 的能量函数，
从而利用 Hopfield 网络求解最优问题
•
②用大量的原图与模糊图像进行学习训练，再利用训练后的网络进行图像复原
•
3.2 图像超分辨率复原技术
图像的功率谱很少是已知的。
第六章 图象恢复
第六章图象恢复基本内容图像恢复的基本概念退化模型图像复原的代数方法图像几何畸变校正图像的几何变换图象恢复要点：•退化模型–向量空间表示–退化参数确定•点扩展函数•噪声(方差,性质) •恢复方法–滤波法–代数法图像恢复的基本概念图象增强：旨在改善图象质量。
图象恢复：目的在于消除或减轻在图象获取及传输过程中造成的图象品质下降。
以保真原则为前提，找出图象降质的原因，描述其物理过程，提出数学模型。
恢复的过程是沿着质量降质的逆过程来重现原始图象。
退化：包括由成像系统光学特性造成的歧变以及噪声和相对运动造成的模糊。
上海交大学生作品上海交大学生作品j i图象恢复图象退化的原因：（1）摄影时照相机镜头的移动；（2）放大镜凸透变形等。
图象退化模型：图象模糊可以笼统的归纳为成象系统没有理想的冲击响应。
图象恢复•退化模型–向量空间表示–退化参数确定•点扩展函数•噪声(方差,性质)•恢复方法–滤波法–代数法–非线性法(也可解决线性问题)–约束点扩展函数解卷法退化模型向量空间表示为便于计算机实现，需将退化模型离散化。
(1)先讨论一维卷积对f(x)及h(x)均匀采样,样本数分别为A 及B,即f(x) x=0,1,---,A-1h(x) x=0,1,---,B-1离散循环卷积是针对周期函数定义的，退化参数的确定退化参数：h(x,y),n(x,y)图象恢复：对原始图象作出尽可能好的估计。
已知退化图象，要作这种估计，须知道退化参数的有关知识。
点扩展函数的确定（一）运用先验知识:大气湍流光学系统散焦照相机与景物相对运动根据导致模糊的物理过程（先验知识）来确定h(x,y)或H(u,v)。
点扩展函数的确定（二）运用后验判断的方法从退化图象本身来估计h ( x , y )。
（1）若有把握断定原始景物某部位有一个清晰的点，于是那个点再退回图象的模糊图象就是h ( x , y )。
（2）原景物含有明显的直线，从这些线条的退化图象得出h ( x , y )。
【图像复原技术研究文献综述2000字】
图像复原技术研究国内外文献综述作为日常生活中广泛使用的技术，图像修复技术汇集了国内外许多重要技术。
实际上，图像复原分为三种标准：首先是搭建其劣化图像的图像模型；其次去研究和筛选最佳的图像复原方法；最后进行图像复原。
所有类型的成像模型和优化规则都会导致应用于不同领域的不同图像恢复算法。
我们对现有的图像复原方法大致做了总结，如利用线性代数知识的线性代数复原技术、搭建图像退化模型的去卷积图像恢复技术以及不考虑PSF的图像盲解卷积算法等。
其中，去卷积方法主要包括功率谱均衡、Wiener滤波和几何平均滤波等，然而这些方法需要许多预信息和噪声稳定假设，这在现实当中我们不可能利用计算机去做到的的事情，因此它们只适用于线性空间不变的理想系统，仅当噪声与信号无关时才能达到很好的效果。
但是在一些条件恶化的情况下，就不能满足图像修复的效果了。
在图像恢复领域当中，另一个重要且常见的方法是盲去卷积复原法。
它的优势是在没有预先了解退化函数和实际信号的知识前提下，可以根据劣化图像直接估计劣化函数和初始信号。
实际上，现在有几个算法通过不充分的预测信息来恢复劣化图像。
由于我们需要对图像和点扩展函数的一些相关信息进行假设和推导，所以这就导致图像恢复的解通常并不存在唯一性，并且我们已知的初始条件和对附加图像假设的选择也会对解的优劣产生很大的关系。
与此同时，由于信道中不可避免的加性噪声的影响，会进一步导致盲图像的复原变差，给图像复原造成许多困难。
也就是说，如果我们直接利用点扩展函数进行去卷积再现初始图像，则一般会导致高频噪声放大，导致算法的性能恶化，恢复不出清晰的图像。
因此，我们要尽可能的提高图像的信噪比，从而提高图像复原的效果。
基于已知的降质算子和加性噪声的某些统计性质从而恢复清晰的图像，我们将这种方法叫做线性代数恢复方法，并且这种线性代数恢复方法在一定程度上提出了用于恢复滤波器的数值计算从而使得模糊图像恢复到与清晰图像一致的新的设计思想。
5-图像恢复
e2 min E f x, y fˆ x, y 2
满足这一要求的转移函数为：
Sn 噪声图像功率谱 S f 原始图像功率谱
H w u, v
H u, v
H u, v 2
Sn Sf
u, v u, v
发现： 1）H(u,v)=0，无病态现象，分母不为0
2）SNR高时，同逆滤波器
3）SNR低时，效果不满意。
❖ 称 h(x,; y, ) 为点扩散函数(PSF)或系统冲击响应。
系统H的冲激响应，在光学中冲激为一个光点， 退化可 以理解为系统冲激响应造成图像的降质。
多数情况下它表现为时不变的，反映在图像中为位移不变的，则 h(x,; y, ) 可以表示为h(x , y )
g(x, y) f (, )h(x , y )dd f (x, y) h(x, y)
第五讲 图像复原
图像退化及复原
❖ 什么是图像退化?
图像的质量变坏叫做退化。退化的形式有图像模糊、图像有干扰等
❖ 图像退化的原因
无论是由光学、光电或电子方法获得的图像都会有不同程度的退化；
退化的形式多种多样。如传感器噪声、摄像机未聚焦、物体与摄像 设备之间的相对移动、随机大气湍流、光学系统的相差、成像光源 或射线的散射等；
ISNR
10 log10
i, j
[
f
(i,
j)
由于引起退化的因素众多，而且性质不同，而目前又没有统一的 恢复方法，许多人根据不同的物理模型，采用不同的退化模型、处 理技巧和估计准则，从而导出了多种恢复方法。
有效方法：针对特定条件，用特定模型处理。
5.2 离散图像退化模型
对于图像降质过程进行数学建模
f(i, j)：原始图像 y(i, j)：降质图像 h(i, j; k, l)：点扩散函数 图像为M×N维
图像处理 第6章图像复原
8
第6章 图像复原 §6.1.1 模拟图像退化的数学模型 一、退化模型
n(x,y) f (x,y) H g(x,y)
模型化：一个作用在f (x,y)上的系统H与一个加性噪声n (x,y)的联合作用，导致产生退化图像g (x,y) 。 假设已知n (x,y)的统计特性（或先求出），图像复原就 是已知g (x,y)求f (x,y)的问题 （近似于求解逼近过程），由 于解不唯一，故方法很多。不同误差准则，不同约束条件，得 到解不同。 g (x,y) = H [f (x,y)] + n (x,y) 已知 退化 解 噪声
0 x B 1和0 y D -1 B x M-1或D y N-1
ge (x,y) = fe (m,n) he (x-m,y-n) m=0,1,…,M-1; n=0,1,…,N-1 M = A+B-1, N = C+D-1 考虑噪声有: ge (x,y) = fe (m,n) he (x-m,y-n) +ne (x,y) ； m=0,1,…,M-1； n=0,1,…,N-1； ne (x,y)为M×N的噪声项
可见H是一个循环阵, 退化系统由H决定。
若A=4, B=3，则M=6，因为B＝3，即he(3)=he(4)=he(5)=0
0 0 0 h(2) h(1) h(0) h (1) h (0) 0 0 0 h (2) h(2) h(1) h(0) 0 0 0 H 0 h (2) h (1) h (0) 0 0 0 0 h(2) h(1) h(0) 0 0 0 0 h(2) h(1) h(0)
13
第6章 图像复原 §6.1.2 离散图像退化的数学模型 二、2D情况：
基于matlab的退化图像复原（二）------逆滤波复原
基于matlab的退化图像复原（⼆）------逆滤波复原差不多就是这个理论，傅⾥叶变换之后除掉退化函数的傅⾥叶变换，就变回来了。
说是这么说，写出来就是这样。
⼿写公式简单得多，⼈懒就是任性。
matlab代码。
clcI=imread('src.png');I0=rgb2gray(I);subplot(231);imshow(I0);title('src');[m,n]=size(I0);F=fftshift(fft2(I0));k=0.0025;H=[];for u=1:mfor v=1:nq=((u-m/2)^2+(v-n/2)^2)^(5/6);H(u,v)=exp((-k)*q);endendG=F.*H;I1=abs(ifft2(fftshift(G)));subplot(232);imshow(uint8(I1))title('退化');I2=imnoise(uint8(I1),'gaussian',0,0.001);subplot(233);imshow(uint8(I2));title('加噪声');F0=fftshift(fft2(I2));F1=F0./H;I3=ifft(fftshift(F1));subplot(236);imshow(uint8(I3));title('退化噪声复原')F2=fftshift(fft2(I1));F3=F2./H;I4=ifft(fftshift(F3));subplot(235);imshow(uint8(I4));title('退化复原')F4=fftshift(fft2(I0));I5=ifft(fftshift(F4));subplot(234);imshow(uint8(I5));title('直接傅⾥叶变换回来')上⾯主要是傅⾥叶除的矩阵要⼀样维度，所以给了个[m,n]的矩阵，好像局限性有点⼤。
图像分析与处理图象恢复(二)
沉鱼落雁
约束PSF解卷法
(2)有噪声影响
c(x, y)趋向 (x, y)可能会把噪声放大 在 条件下，使 c(x, y)尽可能接
2 n 2
近 (x, y)。接近程度用窄度来测 量。
约束PSF解卷法
窄度 r2
2 w ( x , y ) c ( x , y ) dxdy
gHf n
下求Qf的最小化而得到f的最佳估计。
用拉格朗日法求 微分，
2 2 2 ˆ ˆ min J ( f ) Qf g H f n
ˆ) J (f ˆ 2HT (g Hf) 0 2QT Qf ˆ f ˆ (HTH QQ)1HT g f 1 其中
图象恢复的滤波方法
•逆滤波 •维纳滤波 •等功率谱滤波
逆滤波
假定退化图象遵从以下模型
g ( x , y ) f ( x , y ) * h ( x , y ) n ( x , y )
在不考虑噪声的情况下
G ( u , v ) F ( u , v ) H ( u , v )
写成
F ( u ,v ) G ( u ,v ) /H ( u ,v )
Terms
Circulant matrix:循环矩阵 Transpose:转置 Block matrix:分块矩阵 Block circulant matrix:分块循环矩阵 Impulse: 冲激函数 Dirac delta function: 狄拉克函数 Impulse response:冲激响应 Point spread function (PSF):点扩展函数
约束PSF解卷法
第四章 图像复原-第2讲图像退化的数学模型
大小为M×N的周期数据，其中M≥A+C-1，N≥B+D-1。
fe
x,
y
f
x, 0
y
0 ≤ x ≤ A 1和0 ≤ y ≤ B 1 A ≤ x ≤ M 1或B ≤ y ≤ N 1
he
x,
y
h
x, 0
y
ne
x,
y
n
x, 0
y
0 ≤ x ≤ C 1和0 ≤ y ≤ D 1 C ≤ x ≤ M 1或D ≤ y ≤ N 1
为此就要采取其他有效策略，方法之一是利用矩阵的 特殊性质，将其对角化；更有效方法就是利用傅里叶变换 卷积定理在频域中处理；实际上对角化的结果与傅里叶变 换的结果是统一的。
9
4.2 图像退化的数学模型
g(x,y)=f(x,y)*h(x,y)+n(x,y) G (u,v)= H(u,v)F(u,v)＋N(u,v) 注意事项:
F (u, v)
T 0
exp
j2 (ux0(t)dt
F(u,v)H (u,v)
11
4.2 图像退化的数学模型
H (u, v)
T 0
exp
j
2
(ux0
(t
)
dt
若x0(t)=at/T, 则 H (u, v) T sin(ua)e jua ua
若x0(t)=at/T, y0(t)= bt/T, 则
10
4.2 图像退化的数学模型
（6）常见退化模型
1）运动模糊退化模型 原因、类型：平移、旋转、匀速、变速等。这里讨论匀速 直线运动。设T为快门时间，x0(t)为位移的x分量。
图像复原基本原理
空间域恢复 频率域恢复
精品课件
噪声模型
噪声：主要源自图像的获取的传输过程 噪声的描述： Probability density
functions(PDF) 噪声模型：通常由噪声的物理来源特性决定
高斯噪声：源于电子电路噪声和由低照明度或高温带来的 传感器噪声。
瑞利分布：特征化噪声。 指数分布、伽马分布：激光成像。 脉冲噪声（椒盐噪声）：错误的开关操作。 均匀分布：常作为模拟随机数产生器的基础，实践中较少
退化的图像为原图像与退化函数的卷积再叠加噪声
转换至频域： G ( u ,v ) H ( u ,v ) F ( u ,v ) N ( u ,v )
F(u,v)G(u,v)N(u,v) H(u,v) H(u,v)
原图像的近似估计： Fˆ(u,v) G(u,v)
H(u,v)
逆滤波：退化的逆过程
在相同尺寸下，比起均 值滤波器引起的模糊少
对于脉冲（盐和 胡椒）噪声有效.
第二次中精品值课滤件波器处理
第三次中值滤波器处理， 全部噪声消除
“胡椒”噪声干扰图像 “盐”噪声干扰图像
•最大值滤波器
•发现图像中亮点 •用于消除“胡椒”
•最小值滤波器
•发现图像中暗点 •用于消除“盐”
最大值精滤品波课件器处理
最小值滤波器处理
中点滤波器
fˆ(x,y)1[m{ ag(s x ,t) }m{ ig(n s,t)}]
2(s,t) Sxy
(s,t) Sxy
结合了顺序统计和求平均的特点
对高斯和均匀分布的噪声效果最好
精品课件
修正后阿尔法均值滤波器（Alpha-trimmed mean filter）
1
f(x,y)m nd(s,t)Sxgyr(s,t)
运动模糊车牌图像复原与识别系统的研究
第37卷 第8期 福 建 电 脑 Vol. 37 No.82021年8月Journal of Fujian ComputerAug. 2021———————————————本文得到福建省教育厅中青年教师教育科研项目基金 (No.JAT190857)资助。
黄国达（通信作者），男，1984年生，主要研究领域为信号处理、数字图像处理。
E-mail:****************。
杨雪婷（通信作者），女，1982年生，主要研究领域为通信系统、数字信号处理。
E-mail:***************。
运动模糊车牌图像复原与识别系统的研究黄国达 杨雪婷(仰恩大学工程技术学院 福建 泉州 362000)摘 要 运动模糊是在车辆行驶中，摄像设备对车牌图像抓拍时较为常见的一种图像退化现象。
本文基于matlab 软件，主要研究了复杂场景下车牌图像的预处理、复原与识别，利用直方图匹配对低亮度场景下的车牌图像进行预处理，通过对匀速运动下的模糊车牌图像进行DFT 频谱分析，根据估算得到的参数，实现原图像的复原。
此外，本文还研究了车辆牌照识别中的牌照定位、牌照字符分割、字符识别、识别输出等流程。
关键词 运动模糊；matlab ；图像复原；车牌识别中图法分类号 TN911.73 DOI:10.16707/ki.fjpc.2021.08.005Research on Restoration and Recognition System of Motion Blurred LicensePlate ImageHUANG Guoda, Y ANG Xueting(College of Engineering and Technology, Yangen University, Quanzhou, China, 362000)Abstract Motion blur is a kind of image degradation phenomenon, which is a problem that camera equipment often occurs when capturing license plate image of moving vehicles. This paper reports the research on the preprocessing, restoration and recognition of license plate image in complex scene. Histogram matching is used to preprocess the license plate image in low brightness scene. The parameters are estimated by DFT spectrum analysis of fuzzy license plate image under uniform motion, and then used for image restoration. In addition, this paper also studies the license plate location, character segmentation, character recognition, recognition output and other processes of vehicle license plate recognition.Keywords Motion Blur; Matlab; Image Restoration; License Plate Recognition1引言随着信息技术的发展，智能交通系统已得到较为广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
电子科技大学实验报告学生姓名：李雄风学号：2905301014指导老师：彭真明日期：2012年4月12日光电楼327、329学生机房二、实验项目名称：图像退化与复原三、实验原理：1.图像退化与复原图像复原是图像处理的主要内容之一，所谓图像复原就是指去除或减轻在图像获取过程中发生的图像质量的下降。
成像过程中的图像“退化”，是指由于成像系统各种因素的影响，使得图像质量降低。
图像复原可以看作图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真。
图像在形成、传输和记录过程中，由于受到多方面的影响，不可避免地造成图像质量的退化（degradation）。
造成图像退化的原因很多，主要有：•射线辐射、大气湍流等造成的照片畸变；•模拟图像数字化的过程中，由于会损失部分细节，造成质量下降；•镜头聚焦不准产生的散焦模糊；•成像系统中始终存在的噪声干扰；•拍摄时，相机与景物之间的相对运动产生的运动模糊；•底片感光、图像显示时会造成记录显示失真；•成像系统的像差、非线性畸变、有限带宽等造成的图像失真；•携带遥感仪器的飞机或卫星运动的不稳定，以及地球自转等因素引起的照片几何失真。
2.维纳（Wiener）滤波掌握图像f和噪声n的准确先验知识是非常困难的，一种较为合理的假设是将它们近似的看成是平稳随机过程。
假设和表示f和n的自相关矩阵，其定义为：式中，E{•}代表数学期望。
定义，得：假设M=N，和分别为图像信号和噪声的功率谱，则：式中，，。
四、实验目的：1.了解光电图像的退化原因和熟悉退化模型；2.掌握和理解基本的噪声模型及运动模糊退化过程；3.熟悉和掌握几种经典的图像复原方法及其基本原理；4.能熟练利用Matlab工具进行图像的各种退化处理，并能编程实现退化图像的复原。
1.滤波器设计及图像滤波实验；2.基于Wiener滤波的图像复原。
六、实验器材（设备、元器件）：微型计算机、Matlab工具及相应的开发环境。
七、实验步骤：（一）滤波器设计及图像滤波实验1.分别设计一个5×5（或3×3）的低通和高通滤波器模板（空域）。
2.读入一幅图像（为便于显示，最好读取长宽相同的原始图，如256×256，512×512 等），与设计的滤波器进行卷积（conv2）运算，计算滤波结果。
3.最后，在同一窗口下分别画出原始图像、滤波器、滤波结果以及它们对应的频谱图。
4.最后一步，分别显示滤波器的3D频谱。
（二）基于Wiener滤波的图像复原1.利用Matlab工具，设计图像的退化模型（包括噪声污染及模糊退化两部分），其中模糊退化指定为运动模糊（运动模糊的方向可任意指定，如10度、20度、45度等），噪声模型可自行设定。
2.利用Matlab工具，编程实现利用Wiener滤波方法对退化图像的复原。
要求在同一个窗口下显示原始图像、退化图像、给定k值下的复原结果及复原图像与原始图像的差值图共4个图，并对复原结果进行必要的分析。
3.改变k值，重复实验内容（二）。
八、实验数据及结果分析：本实验的Matlab代码如下：clear all;clc;%% 滤波器设计及图像滤波实验II=imread('E:\peppers.jpg');II=double(rgb2gray(II));%低通滤波器图像滤波实验L=[ 1 4 6 4 1;4 16 24 16 4;6 24 36 24 6;4 16 24 16 4;1 4 6 4 1]/256;[m,n]=size(II);LL=zeros(m,n);LL(232:281,232:281)=imresize(L, 10,'bilinear');IL=conv2(II,L,'same');subplot(2,3,1),imshow(II,[])title('原始图像')subplot(2,3,2),imshow(LL,[])title('空域滤波器')subplot(2,3,3),imshow(IL,[])title('滤波结果')fftII=abs(fftshift(fft2(II)));fftII=(fftII-min(min(fftII)))/( max(max(fftII))-min(min(fftII)))*256 ;fftL=abs(fftshift(fft2(L)));fftL=(fftL-min(min(fftL)))/(max (max(fftL))-min(min(fftL)))*256;fftLL=zeros(m,n);fftLL(232:281,232:281)=imresize (fftL,10,'bilinear');fftLL=mat2gray(fftLL);fftIL=abs(fftshift(fft2(IL)));fftIL=(fftIL-min(min(fftIL)))/(max(max(fftIL))-min(min(fftIL)))*256 ;subplot(2,3,4),imshow(fftII)title('原图频谱')subplot(2,3,5),imshow(fftLL)title('滤波器频谱')subplot(2,3,6),imshow(fftIL)title('滤波图频谱')%高通滤波器图像滤波实验H=[ 1 1 1 1 1;1 1 1 1 1;1 1 -24 1 1;1 1 1 1 1;1 1 1 1 1;];HH=ones(m,n);HH(232:281,232:281)=imresize(H, 10,'bilinear');IH=conv2(II,H,'same');figuresubplot(2,3,1),imshow(II,[])title('原始图像')subplot(2,3,2),imshow(HH,[])title('空域滤波器')subplot(2,3,3),imshow(IH,[])title('滤波结果')fftH=abs(fftshift(fft2(H)));fftH=(fftH-min(min(fftH)))/(max (max(fftH))-min(min(fftH)))*256;fftHH=256*ones(m,n);fftHH(232:281,232:281)=imresize (fftH,10,'bilinear');fftHH=mat2gray(fftHH);fftIH=abs(fftshift(fft2(IH)));fftIH=(fftIH-min(min(fftIH)))/( max(max(fftIH))-min(min(fftIH)))*256 ;fftIH=mat2gray(fftIH);subplot(2,3,4),imshow(fftII)title('原图频谱')subplot(2,3,5),imshow(fftHH)title('滤波器频谱')subplot(2,3,6),imshow(fftIH)title('滤波图频谱')%滤波器的3D频谱LLL=imresize(fftL,13,'bilinear' );HHH=imresize(fftH,13,'bilinear' );[X,Y]=meshgrid(-32:32);figuresubplot(1,2,1),mesh(X,Y,LLL)title('低通滤波器的3D频谱')subplot(1,2,2),mesh(X,Y,HHH)title('高通滤波器的3D频谱')%% 基于Wiener滤波的图像复原F=fspecial('motion',50,45);FII=conv2(II,F,'same');FII=imnoise(mat2gray(FII),'salt & pepper');for k=-2:0figuresubplot(2,2,1),imshow(II,[] )subplot(2,2,2),imshow(FII,[ ])BII=deconvwnr(FII,F,10^k);DII=mat2gray(mat2gray(II)-B II);subplot(2,2,3),imshow(BII)title(['k=',num2str(10^k)])subplot(2,2,4),imshow(DII)title(['k=',num2str(10^k)])end运行结果如下：1.滤波器设计及图像滤波实验图1 低通滤波器图像滤波实验图2 高通滤波器图像滤波实验图3 滤波器的3D频谱2.基于Wiener滤波的图像复原图4 k=0.01时的复原结果图5 k=0.1时的复原结果图6 k=1时的复原结果结果分析：Wiener滤波的复原结果和k值的大小密切相关。
k值越小，去除运动模糊的效果越好，但是去噪声效果变差，而且会产生条纹状干扰；k值越大，去噪声效果越好，但是去除运动模糊的效果变差，而且图像会整体变暗。
九、实验结论：1.本实验使用低通滤波器和高通滤波器对图像进行了滤波处理，低通滤波器可以去掉图像的高频成份（细节成分），而高通滤波器则可以去掉图像的低频成分（主要成分）；2.本实验采用Wiener滤波的方法尝试了对图像的复原，可以发现Wiener滤波的参数k对于图像复原的结果起到了至关重要的作用。
十、总结及心得体会：本实验采用低通滤波器以及高通滤波器对图像进行了滤波处理，使我明白了图像退化可以归结为原始图像和某个点扩散函数作卷积的过程；另外，本实验还采用Wiener 滤波的方法尝试了对含有运动模糊以及随机噪声的图像的复原，使我认识到了参数k对于Wiener滤波的重要性以及图像退化的不可逆性。
思考题：1.简要叙述图像退化的原因。
答：引起图像退化的原因有成像系统的散焦、成像设备与物体的相对运动、成像器材的固有缺陷、外部干扰等。
2.图像复原与图像增强有什么异同？答：图像增强和图像复原的目的都是改善图像质量，采用的方式都是空域或频域的滤波。
但是，图像增强是一个主观过程，提供便于人眼观察或机器识别，进行的是卷积运算；而图像复原是一个客观过程，恢复原始图像的最优估值，进行的是反卷积运算。
3.简述同态滤波的设计思想和处理流程，说明该复原方法适合于何种场合下的图像恢复。