下载文档原格式
图像锐化有哪些方法图像锐化是图像处理中常用的一种操作，可以通过增强图像的高频信息，使图像边缘更加清晰。
常用的图像锐化方法主要包括增强算子、滤波操作和边缘检测等。
1. 增强算子方法：增强算子方法是基于对图像进行空间变换，通过改变像素点的灰度值来增强图像的边缘和细节。
常用的增强算子方法包括拉普拉斯算子、索伯算子和普瑞维特算子等。
这些算子可以对图像进行卷积操作，得到锐化后的图像。
例如，拉普拉斯算子可以通过在每个像素点和周围邻域之间进行卷积操作来增强图像的高频信息。
2. 滤波操作方法：滤波操作方法是通过设计一定的滤波器来对图像进行卷积操作，以增强图像的边缘细节。
常用的滤波操作方法包括高通滤波器、边缘增强滤波器和维纳滤波器等。
高通滤波器可以通过减少图像低频分量来增强图像的高频信息，从而使图像边缘更加清晰。
边缘增强滤波器则可以通过增加图像的局部差异来增强图像的边缘细节。
维纳滤波器是一种自适应滤波器，可以根据图像的噪声特性来进行滤波操作，以减少噪声对锐化效果的影响。
3. 边缘检测方法：边缘检测方法是通过寻找图像的局部极值点来确定图像的边缘位置，从而实现图像锐化。
常用的边缘检测方法包括Sobel算子、Canny算子和LoG算子等。
Sobel算子可以通过计算图像梯度的幅值和方向来确定图像边缘的位置和方向。
Canny 算子是一种基于图像梯度的多阈值边缘检测算法，可以通过滤波、非极大值抑制和双阈值检测等步骤来确定图像的强边缘和弱边缘。
LoG算子是一种拉普拉斯高斯算子，可以通过在图像上进行卷积操作来检测图像的边缘信息。
除了以上的方法，图像锐化还可以通过多尺度分析、形态学操作和投影剪切等方法来实现。
多尺度分析可以通过对图像的不同尺度进行分析和合成来增强图像的局部细节和边缘信息。
形态学操作是一种基于图像形状和结构的操作，可以通过腐蚀、膨胀和开闭操作等来增强图像的边缘信息。
投影剪切是一种基于数学变换的图像锐化方法，可以通过对图像的投影进行变换来改变图像的灰度级分布，从而增强图像的边缘和细节。
解模糊化方法解模糊化是图像处理中的一种技术，用于提高图像的清晰度和细节。
图像模糊是由于图像在捕捉或传输过程中被模糊或失真所引起的。
解模糊化是一个复杂的过程，不同的方法会应用于不同的场合，例如时间相关的问题或者在图像处理中的降噪问题。
下面我们将介绍一些常用的解模糊化方法。
1. 维纳滤波维纳滤波是一种在频域中操作的解模糊方法。
该方法通过滤波处理实现图像的恢复。
维纳滤波通过最小化噪声和失真之和的误差来实现图像恢复，同时考虑到信噪比和模糊度等参数。
该方法有时可能会导致图像中出现了一些伪影或其他问题。
2. 盲去卷积盲去卷积是一种基于信号处理的解模糊方法。
该方法的主要好处是，它不需要知道捕获或传输过程中发生的任何失真。
该方法通过计算图像的自相关矩阵来推断捕捉或传输过程中的失真，然后将图像恢复到原来的样子。
3. 基于最大后验概率(MAP)的方法基于最大后验概率的方法是一种通过概率模型来实现解模糊的技术。
该方法通过先验模型和图像模型进行建模，即在估计损失函数的同时，对图像和失真进行了建模。
基于最大后验概率的解模糊化方法可以通过损失函数进行最小化，从而实现图像的恢复。
该方法具有较高的准确度和鲁棒性。
非盲去卷积是一种可以基于已知的卷积核进行解模糊的方法。
在非盲去卷积中，通过计算捕捉或传输过程中被卷积的图像和卷积核之间的卷积，计算出白噪声和失真的实际值，然后通过滤波来恢复原始图像。
总之，解模糊化是一个具有挑战性的问题。
针对不同的场合和问题，应用各种方法进行解决。
深入了解每种技术的优缺点并适当地选择才能获得最佳的效果。
维纳滤波应用场景维纳滤波在噪声降噪中的应用噪声是信号处理中常见的问题，它会干扰信号的质量和准确性，降低信号的可靠性。
因此，在信号处理中，消除噪声是非常重要的。
维纳滤波是一种常见的信号处理技术，它可以用来降低噪声的影响，提高信号质量。
维纳滤波是一种线性滤波器，它可以在保证信号质量的情况下最小化噪声的影响。
它的原理是通过对信号进行加权平均，使得信号与噪声的比例最小化。
具体来说，维纳滤波器是一种最小均方滤波器，它通过最小化误差的均方值来实现对信号的滤波。
在实际应用中，维纳滤波广泛应用于图像处理、语音处理、雷达信号处理等领域。
其中，图像处理是维纳滤波的主要应用领域之一。
图像噪声是由于图像采集过程中的各种因素导致的，如光线、设备、传输等因素都会导致图像噪声。
维纳滤波器可以通过对图像进行加权平均，来降低噪声的影响，提高图像的质量。
在语音处理中，维纳滤波可以用于语音增强和语音识别。
由于语音信号往往受到环境噪声的影响，因此在语音处理中，消除噪声对于提高语音质量和识别率非常重要。
维纳滤波器可以通过最小化误差的均方值，来降低噪声的影响，提高语音信号的清晰度和准确性。
雷达信号处理是维纳滤波的另一个重要应用领域。
雷达信号受到多种干扰的影响，如杂波、多普勒效应、多径效应等。
维纳滤波可以通过对雷达信号进行加权平均，来降低干扰的影响，提高雷达信号的可靠性和准确性。
维纳滤波在噪声降噪中具有广泛的应用场景，可以用于图像处理、语音处理、雷达信号处理等领域。
它的原理是通过最小化误差的均方值，来实现对信号的滤波，从而提高信号的质量和可靠性。
在实际应用中，维纳滤波的效果取决于信号和噪声的特性，因此需要根据具体应用场景进行优化和调整。
维纳滤波反卷积
维纳滤波反卷积是一种图像恢复技术，它通过对图像进行滤波处理来抵消由卷积操作引入的模糊和噪声。
维纳滤波反卷积使用维纳滤波器来逆推原始图像，这个滤波器可以根据图像的频域信息和噪声特性来补偿模糊操作。
维纳滤波的基本思想是对图像进行频域分析，通过对频域图像进行滤波处理来恢复原图，以达到降低图像噪声和模糊程度的目的。
维纳滤波反卷积的数学表达式为：
G(u,v) = H(u,v) * F(u,v) / (|H(u,v)|^2 + S/N)
其中，G(u,v)表示频域中恢复的图像，H(u,v)表示频域中的滤波器，F(u,v)表示输入图像的频率谱，S表示输入图像的噪声能量，N表示频域中的噪声功率谱。
维纳滤波反卷积需要先进行频域转换，对频率谱进行滤波处理，然后进行频域逆变换得到恢复的图像。
这种方法可以有效地抵消模糊和噪声，但在实际应用中需要根据图像的特性调整滤波器参数，以避免引入附加噪声或造成过度恢复。
维纳滤波1. 简介维纳滤波（Wiener filtering）是一种经典的信号处理技术，用于消除信号中的噪声并恢复原始信号。
它是由诺贝尔奖获得者诺里斯·伯特·维纳（Norbert Wiener）于1949年提出的。
维纳滤波基于统计信号处理理论，通过在频域对信号和噪声进行建模，利用最小均方误差准则来估计信号。
它可以应用于许多领域，例如图像处理、语音信号处理、雷达信号处理等。
2. 维纳滤波的原理维纳滤波的目标是根据信号和噪声的统计特性，对接收到的被噪声污染的信号进行优化处理，以尽可能地恢复原始信号。
其基本原理可以分为以下几个步骤：2.1 信号与噪声建模首先，需要对信号和噪声进行建模。
假设接收到的信号为s(s)，噪声为s(s)，那么接收到的被噪声污染的信号可以表示为：s(s)=s(s)+s(s)2.2 计算信号和噪声的统计特性通过观测和采样，可以估计信号和噪声的统计特性，例如均值、方差、功率谱密度等。
以图像处理为例，可以通过对图像的样本进行统计分析来估计信号和噪声的统计特性。
2.3 估计滤波器函数利用信号和噪声的统计特性，可以估计滤波器函数s(s)，其中s为频率。
滤波器函数描述了在不同频率上应该对信号进行的滤波程度。
通过估计滤波器函数，可以为不同频率的信号分配适当的增益。
2.4 滤波过程在维纳滤波中，滤波器函数s(s)是根据信号和噪声的功率谱密度来估计的。
通过将接收到的信号进行频谱变换，将频谱域中的信号与滤波器函数相乘，然后再进行逆向频谱变换，即可得到滤波后的信号。
3. 维纳滤波的应用维纳滤波在信号处理领域有广泛的应用，下面以图像处理为例说明其应用场景。
3.1 噪声去除在图像处理中，噪声往往是由于图像的采集、传输等过程中产生的。
维纳滤波可以根据图像的统计特性，将噪声进行估计，并对图像进行滤波，从而实现去噪的效果。
3.2 图像恢复图像的失真往往是由于拍摄条件、传输等因素引起的。
维纳滤波可以通过估计图像的信号特性，去除噪声和失真，从而恢复图像的细节和清晰度。
维纳维纳滤波实现模糊图像恢复维纳滤波实现模糊图像恢复摘要维纳滤波器是最小均方差准则下的最佳线性滤波器，它在图像处理中有着重要的应用。
本文主要通过介绍维纳滤波的结构原理，以及应用此方法通过MATLAB函数来完成图像的复原。
关键词：维纳函数、图像复原一、引言在人们的日常生活中，常常会接触很多的图像画面，而在景物成像的过程中有可能出现模糊，失真，混入噪声等现象，最终导致图像的质量下降，我们现在把它还原成本来的面目，这就叫做图像还原。
引起图像的模糊的原因有很多，举例来说有运动引起的，高斯噪声引起的，斑点噪声引起的，椒盐噪声引起的等等，而图像的复原也有很多，常见的例如逆滤波复原法，维纳滤波复原法，约束最小二乘滤波复原法等等。
它们算法的基本原理是，在一定的准则下，采用数学最优化的方法从退化的图像去推测图像的估计问题。
因此在不同的准则下及不同的数学最优方法下便形成了各种各样的算法。
而我接下来要介绍的算法是一种很典型的算法，维纳滤波复原法。
它假定输入信号为有用信号与噪声信号的合成，并且它们都是广义平稳过程和它们的二阶统计特性都已知。
维纳根据最小均方准则，求得了最佳线性滤波器的的参数，这种滤波器被称为维纳滤波。
二、维纳滤波器的结构维纳滤波自身为一个FIR或IIR滤波器，对于一个线性系统，如果其冲击响应为()n h，则当输入某个随机信号)(nx时，Y(n)=∑-n )()(mnxmh式（1）这里的输入)()()(n v n s n x += 式（2）式中s(n)代表信号，v(n)代表噪声。
我们希望这种线性系统的输出是尽可能地逼近s(n)的某种估计，并用s^(n)表示，即)(ˆ)(y n sn = 式（3） 因而该系统实际上也就是s(n)的一种估计器。
这种估计器的主要功能是利用当前的观测值x(n)以及一系列过去的观测值x(n-1),x(n-2),……来完成对当前信号值的某种估计。
维纳滤波属于一种最佳线性滤波或线性最优估计，是一最小均方误差作为计算准则的一种滤波。
维纳滤波信号处理维纳滤波是一种常用的信号处理技术，它可以有效地去除噪声，提高信号的质量。
维纳滤波的原理是基于信号与噪声的统计特性，通过对信号和噪声的分析，可以得到一个最优的滤波器，使得滤波后的信号尽可能地接近原始信号。
维纳滤波的应用非常广泛，例如在图像处理、语音处理、雷达信号处理等领域都有着重要的应用。
在图像处理中，维纳滤波可以去除图像中的噪声，提高图像的清晰度和质量；在语音处理中，维纳滤波可以去除语音信号中的噪声，提高语音的可听性和识别率；在雷达信号处理中，维纳滤波可以去除雷达信号中的噪声，提高雷达信号的探测性能。
维纳滤波的实现方法有很多种，其中最常用的是基于频域的维纳滤波和基于时域的维纳滤波。
基于频域的维纳滤波是将信号和噪声分别转换到频域，然后对它们进行滤波，最后将滤波后的信号转换回时域。
基于时域的维纳滤波则是直接在时域上对信号进行滤波，它的优点是实现简单，但是对于非平稳信号的处理效果不如基于频域的维纳滤波。
维纳滤波的效果受到多种因素的影响，例如信噪比、滤波器的参数设置等。
在实际应用中，需要根据具体的信号特点和噪声特点来选择合适的滤波器参数，以达到最优的滤波效果。
此外，维纳滤波还有一些改进算法，例如自适应维纳滤波、小波维纳滤波等，它们可以进一步提高维纳滤波的效果。
总之，维纳滤波是一种非常重要的信号处理技术，它可以有效地去除噪声，提高信号的质量。
在实际应用中，需要根据具体的信号特点和噪声特点来选择合适的滤波器参数，以达到最优的滤波效果。
未来，随着信号处理技术的不断发展，维纳滤波将会在更多的领域得到应用，并不断提高其滤波效果和处理速度。
反卷积、低通滤波后的反卷积和维纳滤波python实现反卷积（Deconvolution）是一种图像处理技术，用于恢复由于模糊或其他失真过程导致的图像质量下降。
低通滤波后的反卷积和维纳滤波是两种常用的去模糊方法。
下面分别介绍这三种方法的Python实现。
1. 反卷积反卷积的基本思想是将模糊图像与模糊核进行卷积运算，得到原始图像。
在Python中，可以使用OpenCV库中的deconvolve函数实现反卷积。
pythonimport cv2import numpy as np# 读取模糊图像和模糊核blurred_image = cv2.imread('blurred_image.jpg', cv2.IMREAD_GRAYSCALE)blur_kernel = np.array([[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 # 使用OpenCV的deconvolve函数进行反卷积deconv_image = cv2.deconvolve(blurred_image, blur_kernel)# 显示原始图像、模糊图像和反卷积后的图像cv2.imshow('Original Image', blurred_image)cv2.imshow('Blurred Image', deconv_image)cv2.waitKey(0)cv2.destroyAllWindows()2. 低通滤波后的反卷积低通滤波后的反卷积是在对模糊图像进行低通滤波后，再进行反卷积操作。
这里我们使用高斯滤波作为低通滤波器。
在Python中，可以使用OpenCV库中的GaussianBlur和deconvolve函数实现低通滤波后的反卷积。
维纳滤波与图像去噪摘要首先选取对图像降噪比较有代表性的维纳滤波，在加有高斯噪声、椒盐噪声和乘性噪声的图像上进行处理，再将维纳滤波与中值滤波和均值滤波抑制噪声的效果进行比较，通过实验仿真及其处理效果，详细分析维纳滤波在图像去噪中的特点及各自作用的利弊。
关键词维纳滤波；中值滤波；均值滤波；图像去噪Wiener filtering and image denoisingLIMeng , ZHAOQi(Xi' an University of Posts and Telecommunications,School of communication and information engineering ，Xi ' an710000. Chin)Abstract: Select the first is a representative of wiener filtering for image noise reduction with gauss no ise and salt and pepper no ise and multiplicative no ise of image process ing, the n wie ner filtering and median filtering and mean filtering noise effect comparison, through the experimental simulation and the treatment effect, detailed analysis of wiener filtering in image denoising, the characteristics and the pros and cons of each role.Keywords: Wiener filtering,Median filtering,Mean filtering,Image denoising0引言图像在成像、传输、转换或存储的过程中会受到各种随机干扰信号即噪声的影响，从而会使画面变得粗糙、质量下降、特征淹没。
维纳滤波器及其在图像处理中的应用摘要图像由于受到如模糊、失真、噪声等的影响，会造成图像质量的下降，形成退化的数字图像。
退化的数字图像会造成图像中的目标很难识别或者图像中的特征无法提取，必须对其进行恢复。
所谓图像复原就是指从所退化图像中复原出原始清晰图像的过程。
维纳波是一种常见的图像复原方法，该方法的思想是使复原的图像与原图像的均方误差最小原则恢复原图像。
本文进行了对退化图像进行图像复原的仿真实验，分别对加入了噪声的退化图像、运动模糊图像进行了维纳滤波复原，并给出了仿真实验效果以及结果分析。
实验表明退化图像在有噪声时必须考虑图像的信噪比进行图像恢复，才能取得较好的复原效果。
关键词：维纳滤波；图像复原；运动模糊；退化图像AbstractDue to factors such as blurring distorting and noising, image quality deteriorated and led to degenerated digital images which is getting harder to discern the target image or extract the image features. Wiener Filter is often used to recover the degraded image. The principle of the method expects to minimize the mean square error between the recovered image and original image. This paper carried out a restoration simulation experiments on degraded image,restoration of motion blurred images, and the result shows, SNR noise of the autocorrelation function for image restoration must be taken into consideration when restoring degraded images in a noise. Key words:Wiener Filter; motion blurred;degraded image;image restoration概述图像在形成、传输和记录的过程中都会受到诸多因素的影响,所获得的图像一般会有所下降，这种现象称为图像“退化”。
因此我们可以采取一些技术手段来尽量减少甚至消除图像质量的下降，还原图像的本来面目，这就是图像复原。
引起图像模糊有很多种的原因，举例来说有运动引起的，高斯噪声引起的。
图像恢复过程需要根据指定的图像退化模型来完成，根据退化模型对在某种情况下退化了的图像进行恢复，以获取到原始的未经过退化的原始图像，从而复原图像的本来面目。
图像恢复的处理过程实际是对退化图像品质的提升，以此来达到图像在视觉上的改善。
图像复原的算法：数字图像复原问题实际上是在一定的准则下，采用数学最优化方法从退化的图像去推测原图像的估计问题。
不同的准则及不同的数学最优化方法就形成了各种各样的算法。
常见的复原方法有，逆滤波复原算法，维纳滤波复原算法，盲卷积滤波复原算法，约束最小二乘滤波复原算法等等。
图像复原是图像处理中的重要技术，图像复原可以在某种意义上对图像进行改进，即可以改善图像的视觉效果，又能够便于后续处理。
其中维纳滤波是最典型的一种，20世纪40年代，维纳奠定了最佳滤波器研究的基础。
即假定输入时有用信号和噪声信号的合成，并且它们都是广义平稳过程和他们的二阶统计特性都已知。
维纳根据最小均方准则（即滤波器的输出信号与需要信号的均方值最小），求得了最佳线性滤波器的参数，这种滤波器被称为维纳滤波器。
由于基于维纳滤波器的图像复原效果比较好，具有一定的抑制噪声能力，近年来被广泛的应用到图象复原领域，维纳滤波算法得到不断的改进发发展，现在，许多有效的图像复原算法都在此基础形成的。
维纳滤波的原理维纳滤波复原算法是由 C.W.Helstrom 于 1967 年提出的基于最小均方误差方法，其基本思想是使原始图像和复原图像之间的均方误差最小的复原方法。
1、图像的退化模型要尽可能地恢复出被退化的图像的原来面目，就必须知道这种图像退化的机理和过程，然后建立相应模糊过程的退化数学模型，最终找出一种相应的反演的方法进行对退化图像的复原。
所以图像复原的关键问题是在于建立退化模型，假设输入图像f(x,y)经过某个退化系统h(x,y)后产生退化图像g(x,y)。
在退化过程中，引进的随机噪声为加性噪声n(x,y),则图像的退化过程如图所示:其中，f(x,y)表示原始图像,h(x,y)表示为冲击响应函数,n(x,y)表示加性噪声,g(x,y)表示退化模糊图像（或称观测图像）。
这是一种简单的通用图像退化模型，输入图像f(x,y)经过一个退化系统或退化算子H后产生的退化图像g(x,y)，我们可以表示为下面的形式。
[]),(fxHx=g+yy(,)n),x(y式中H为退化系统。
这是连续形式下的表达。
在实际应用中,处理的都是数字图像,所以对上式进行离散化如下:),(y x g e ∑∑-=-=+--=1010),(),(),(M m e e e N n y x n n y m x h n m f上式两边进行傅里叶变换得=),(v u G ),(v u H ),(v u F ),(v u N +式中G(u,v)，F(u,v)，H(u,v)和N(u,v)分别是g(x,y),f(x,y) ,h(x,y)和n(x,y)的二维傅里叶变换。
2、 维纳滤波进行图像恢复的原理维纳滤波是一种有约束的复原恢复，它综合了退化图像和噪声统计特性两个方面进行了复原处理。
维纳滤波，它是使原图像f(x,y)及其恢复图像),(^y x f 之间的均方差最小的复原方法，即：min ),(),(2^=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧⎥⎦⎤⎢⎣⎡-y x f y x f E (4.27)式中，{}.E 为数学期望算子。
因此，维纳滤波器通常又叫最小均方差滤波器。
很容易推到出原始图像的傅里叶变换估计为：),(),(),(^v u G v u H v u F w =),(.),(),(),(),(.),(122v u G v u p v u p v u H v u H v u H f uγ+=上式也称作约束复原恢复通用的表达式，它的传递函数为：),(.),(),(),(),(.),(1),(22v u G v u p v u p v u H v u H v u H V U H f uW γ+=仿真分析在仿真实验中，主要利用MATLAB 实验平台，在MATLAB 中可以按照维纳滤波的原理和公式来编写语句进行滤波，但由于此种方法较为复杂，同时MA TLAB 也有自带的维纳滤波器的函数，因此本课题中使用MATLAB 自带的函数进行维纳滤波。
在MATLAB 中与维纳滤波有关的函数有wiener2()和deconvwnr()，这两个函数都能够完成维纳滤波的功能， deconvwnr()强调图象复原方面，wiener2()强调图像空间域锐化的作用。
其中wiener2()函数只支持二维滤波，由于此处选的是一张彩色图片，如果使用wiener2()函数，需首先将所选的图片转化为灰度图。
而deconvwnr()函数既能对彩色图片进行操作，又能实现对不同噪声的干扰和污染进行滤除1.用维纳滤波器滤除高斯噪声选取一张图片，将其存放在桌面上，其保存路径为'C:\Users\DELL\Desktop\Lenna.jpg' 首先用imread()函数读取一张彩色的图像，然后用rgb2gray （）将其转换为灰度图，并给原图像添加均值为0，方差为0.01的高斯噪声。
在MATLAB中由程序得到的图像如图3-1所示：图3-1由仿真图可明显看出，加入高斯噪声后的图像变得不清晰。
再将加噪的图像通过wiener2（）进行滤波，分别取滤波器窗口大小为[5 5]和[10 10]。
得到的恢复图像如图3-2所示：图3-2可见不同大小的滤波器的窗口得到的恢复图像的效果也不一样，因此应该选取合适的窗口大小来进行维纳滤波。
在MATLAB中的程序代码如下：RGB=imread('C:\Users\DELL\Desktop\Lenna.jpg'); %读取一幅彩色图片I=rgb2gray(RGB); %转化为灰度图像figure(1);subplot(2,2,1);imshow(I);title('原始图像');J1=imnoise(I,'gaussian',0,0.01); %给图像加均值为0，方差为0.01的高斯噪声subplot(2,2,2);imshow(J1);title('引入高斯噪声的图像');x=J1(:,:,1);K1=wiener2(x,[10 10]);subplot(2,2,3);imshow(K1);title('进过维纳滤波器后的图像(窗口大小为[5 5])');K2=wiener2(x,[20 20]);subplot(2,2,4);imshow(K2);title('经过维纳滤波器后的图像(窗口大小为[10 10]');2.用维纳滤波器对模糊加噪图像进行恢复造成图像退化或模糊的原因有很多种，其中因为在摄像时相机和被摄景物之间有相对运动而造成的图像模糊则称为运动模糊。
所得到图像中的景物往往会模糊不清，我们称之为运动模糊图像。
在前面的分析中，我们假定退化图像的PSF是已知的，但在实际情况下PSF是未知的，在本课题中，我们使用MA TLAB中的fspecial()函数来创建一个确定类型的PSF，得到一张运动模糊图像。
先按照1中所述方法得到带噪图像，接着对其进行长度len=50,角度theta=45的运动模糊。
在MATLAB中得到的图像如图3-3所示：图3-3直接使用deconvwnr()对模糊加噪图像进行维纳滤波，在MATLAB中的得到的图像如图3-4所示：图3-4由上图可以看出维纳滤波并没有很好的还原图像，我们需要在恢复过程中考虑噪声的影响，即估计信噪比。
引入信噪比之后得到的滤波后的图像如图3-5所示：图3-5由仿真结果可以看出，引入信噪比之后的恢复图像得到了很好的改善。
图像退化过程的先验知识在图像恢复技术中起着重要作用，对图像进行恢复操作时，知道的关于图像的统计信息越丰富，得到的复原结果就越好，由于此处引入了图像的信噪比，所以得到的复原图像明显优于不引入信噪比时的复原图像。
