简介这是一份面向图像处理学习者的MATLAB图像复原实例集合涵盖噪声去噪、图像平滑、运动模糊复原、图像增强、逆滤波、迭代复原及自适应复原等核心知识点适合需要从零上手或系统巩固复原算法的本科生、研究生与工程人员参考。压缩包内共有26个m文件均为可直接运行的MATLAB脚本整体约8KB文件按章节与序号排列便于逐例对照学习。目前已有381人学习下载。每个实例围绕具体复原场景展开读者可通过修改参数观察不同滤波器、反卷积与增强方法的实际效果并逐步理解去噪、平滑、逆滤波、Richardson-Lucy迭代等经典算法的适用条件与调试思路同时也能借这些示例掌握MATLAB中imfilter、wiener2、deconvolution等关键函数的用法为后续开展图像复原研究或实际项目打下扎实基础。1. 图像复原不是图像增强MATLAB 里先想清楚要修什么打开一张模糊到只能靠轮廓猜内容的照片新手的第一反应是锐化懂 MATLAB 的人会先问一句模糊核是什么。图像复原和图像增强的区别就在这。增强是主观地让图像更好看复原是把成像过程拆成“模糊卷积加噪声”的数学模型再反解出退化前的样子。所有打着“图像复原 matlab”标签的代码包无论是散落的脚本还是打成 zip 的资源本质上都在做同一件事给定退化观测 g估计原始图像 f。这篇东西要讲的就是这套流程里绕不开的退化模型、点扩散函数PSF构造、MATLAB 解卷积函数和参数调试最后落到怎么把 zip 里的代码跑出可用的结果。适合需要处理模糊、失焦、运动拖影或含噪图像又不想只会点开滤镜菜单的人。2. 图像复原的退化模型与反卷积PSF、噪声和 MATLAB 里的数学假设2.1 线性空间不变假设退化模型 h、g、f 的关系图像复原的前提是一个被广泛默认的假设退化过程是线性空间不变的也就是整幅图上每个像素经历的模糊完全一致。满足这个假设时退化图像 g(x,y)、原始图像 f(x,y)、点扩散函数 h(x,y) 与加性噪声 n(x,y) 之间满足g(x, y) h(x, y) * f(x, y) n(x, y)频域里写成 G(u,v) H(u,v)F(u,v) N(u,v)。这里的 * 是卷积h 就是所谓的模糊核或点扩散函数。MATLAB 里 h 通常是个小矩阵比如 11×11 的高斯核、21×1 的运动轨迹核图像复原要解的本质上就是“知道 G 和部分 H、N 的统计特性求 F”的问题。构造 PSF 最常用的是 Image Processing Toolbox 里的fspecial。老版本一直保留着这个函数R2023b 之后虽然官方推荐用imgaussfilt配合其他工具但fspecial在复原场景里仍然是最方便的一站式入口PSF_motion fspecial(motion, 21, 11); % 运动模糊长度 21 像素角度 11 度 PSF_gauss fspecial(gaussian, 11, 2); % 高斯散焦窗口 11x11标准差 2第一行生成一个近似直线轨迹的模糊核模拟相机在曝光期间沿某个方向平移产生的拖影第二行生成旋转对称的高斯核模拟对焦不准导致的散焦模糊。fspecial返回的矩阵元素和不为 1 时退化模型会引入整体亮度偏移所以在做模拟退化时我一般会先归一化PSF PSF / sum(PSF(:))。退化模拟这一步决定了后面所有评估的可行性。用imfilter做卷积时建议用circular边界这样图像四周会卷绕而不是补零能避免在后续验证算法时把边界伪影也算进误差里I im2double(imread(camera.tif)); blurred imfilter(I, PSF_motion, circular, conv); blurred_noisy blurred 0.01 * randn(size(I));这段代码把标准测试图转成 double 后先卷积再加高斯噪声。为什么先加噪而不是纯模糊因为纯模糊的逆问题虽然也不适定但噪声会把高频放大问题彻底暴露出来带噪退化才贴近真实拍摄场景。2.2 四类常用复原算法的选用边界MATLAB 里直接可用的解卷积函数集中在deconv*系列它们的数学假设和适用场景差别很大。选错函数的后果不是效果差一档而是直接得到一张充满振铃或噪声斑块的废图。把四类主流方法放在一张表里对比方法MATLAB 函数需要 PSF适合场景主要风险逆滤波deconvwnr(I, PSF, 0)是无噪或极低噪噪声被无限放大维纳滤波deconvwnr(I, PSF, NSR)是已知退化 噪声统计NSR 估计不准Lucy-Richardsondeconvlucy(I, PSF, iter)是泊松噪声、天文图像迭代过度产生振铃约束最小二乘deconvreg(I, PSF, NP)是一般场景的正则化复原正则参数难调盲反卷积deconvblind(I, initPSF)否未知 PSF 的真实图像收敛不稳定逆滤波为什么在 MATLAB 里几乎不可用因为它在频域里直接做除法 F G/H而 H 在高频处趋近于零噪声 N 只要存在一点除出来的高频分量就会爆炸。维纳滤波在分母上加了一项信噪比倒数等于给高频加了个阻尼F H*·G / (|H|² NSR)。这里的 NSR 是噪声功率谱与原始信号功率谱的比值实际使用里经常简化为一个常数。Lucy-Richardson 走的是另一条路假设噪声服从泊松分布用期望最大化迭代逼近极大似然解。它对低照度、光子计数统计明显的图像效果好比如天文观测和荧光显微图。约束最小二乘则把“解不能太尖锐”写成平滑约束用拉格朗日乘子控制噪声放大与细节保留的平衡。从实际调试经验说我处理带噪运动模糊图的首选是维纳滤波因为只有一个核心参数 NSRPSF 基本可靠、图像噪声接近泊松分布时用 Lucy-Richardson如果 PSF 完全未知再考虑盲反卷积而且要对结果有心理预期。2.3 不知道 PSF 怎么办盲反卷积的收敛风险真实拍摄的图像很少能先验地知道精确 PSF。手持拍摄的运动模糊核长度和角度要估计失焦模糊的散焦半径要估计这时候deconvblind是唯一不需要 PSF 初值就能跑的内置函数它把清晰图像和模糊核一起作为未知量迭代求解initPSF ones(21, 21) / 441; % 均匀方块当作初始猜测 [J, P] deconvblind(blurred_noisy, initPSF, 20);但盲反卷积的代价是问题从“不适定”变成“严重不适定”。均匀方块初始值只适合 PSF 接近各向同性的散焦情况对运动模糊这种强方向性的核初始猜测至少要给出大致方向否则迭代结果会陷入错误的局部最优。另外deconvblind需要估计两个未知量迭代次数一旦偏大PSF 会被噪声带偏图像上出现规则的明暗条纹。所以在实际项目里我一般把盲反卷积当成“PSF 估计器”而不是“复原器”先用少量迭代跑出一个粗略 PSF观察它的形状和方向再把它作为已知 PSF 交给deconvlucy或deconvwnr做正式复原。深度学习 matlab 方向也有用卷积神经网络直接预测模糊核的做法但那是监督学习路线需要成对清晰-模糊训练数据不在内置函数讨论范围内。3. 在 MATLAB 里跑通图像复原的最小流程从模拟退化到维纳滤波3.1 用 fspecial 构造点扩散函数并生成退化图像先建立一个完整的可复现实验环境。这样后面调参数时每一步都能对照“退化图、复原图、原图”来判断效果好坏的来源。比较完整的退化构造代码如下% 读入灰度图并归一化到 [0,1] I im2double(imread(camera.tif)); % 构造 21 像素长度、11 度方向的运动模糊核并归一化 PSF fspecial(motion, 21, 11); PSF PSF / sum(PSF(:)); % 环形边界卷积避免边缘补零伪影 blurred imfilter(I, PSF, circular, conv); % 添加标准差 0.01 的高斯噪声 noise_var 0.01^2; blurred_noisy blurred sqrt(noise_var) * randn(size(I)); imshow(blurred_noisy);这里blurred_noisy就是后续所有复原算法的输入。noise_var单独用一个变量存下来是为了后面给deconvreg传噪声功率参数时直接复用不用再手算一遍。camera.tif是 MATLAB 自带图像如果手头没有换成imread(pout.tif)或者任意灰度图都可以只要图像尺寸别太小否则运动模糊核跨过的像素范围塞不下。这个流程里最容易忽略的是PSF归一化。很多网上下载的 zip 代码包里fspecial之后直接拿去imfilter导致退化图整体变暗或变亮还怪算法不行。fspecial返回的核元素和略小于 1虽然视觉上不易察觉但会给后续复原引入一个额外的尺度因子。3.2 用 deconvwnr 做维纳滤波NSR 参数怎么设退化图像准备好之后第一个建议尝试的复原函数是deconvwnr。它的调用形式有三种常见变体% 方式一NSR 直接给噪声与信号的方差比 deblurred_wnr deconvwnr(blurred_noisy, PSF, 0.02); % 方式二NSR 通过统计量估算 estimated_nsr noise_var / var(blurred(:)); deblurred_wnr deconvwnr(blurred_noisy, PSF, estimated_nsr); % 方式三给交叉相关矩阵适用于知道噪声与信号相关性的情况 % deconvwnr(blurred_noisy, PSF, NSR, NP)方式二最符合直觉NSR 是噪声功率与信号功率之比。noise_var如果是在模拟退化里就是已知量直接代入如果是真实图像可以用图像里一块平滑区域的方差来近似噪声功率。NSR 设得偏大复原图像会偏模糊因为正则项压得太狠设得偏小高频噪声会被放大图像出现颗粒感。这个参数的调节方向可以用下表快速定位现象原因调整方向复原后仍然模糊NSR 过大正则化过强减小 NSR复原后噪声明显NSR 过小逆滤波倾向增大 NSR边缘出现黑白条纹PSF 与真实退化不匹配修正 PSF而非调 NSR图像整体偏暗PSF 未归一化重新归一化 PSFdeconvwnr有个内部逻辑值得注意当 NSR 传 0 时它等价于逆滤波但 MATLAB 实现里对 H 为零的频点做了保护处理不会直接除零而是保留原值。所以从deconvwnr(I, PSF, 0)开始看退化结果再逐步加大 NSR能直观体验正则化强度的变化。3.3 用 deconvlucy 做迭代复原迭代次数的收敛信号deconvlucy是恢复细节能力最强的内置函数代价是必须控制迭代次数。最小可用调用是numit 30; deblurred_lr deconvlucy(blurred_noisy, PSF, numit);它会按照 Richardson-Lucy 迭代格式不断修正估计每次迭代让结果更接近“在泊松噪声假设下最大似然”的解。迭代次数从 10 加到 50细节会逐步清晰但超过某个临界点后原本应该是平坦的区域会开始出现颗粒状的假纹理这就是过拟合噪声的典型信号。更完整的调用可以传入阻尼参数 DAMPAR 和权重矩阵 WEIGHT用来抑制噪声放大% DAMPAR 设置为噪声标准差的两倍低于该差异的像素变化不再被强化 damp 2 * sqrt(noise_var); deblurred_lr deconvlucy(blurred_noisy, PSF, 30, damp);DAMPAR 的含义是当重建结果与退化图像之间的像素偏差小于这个阈值时认为差异来自噪声而非真实边缘从而放缓修正幅度。太大会把真实细节也压掉太小则起不到抑制噪声的作用。我一般先设成3 * sqrt(noise_var)起步观察边缘效果后再减半或翻倍。deconvlucy没有像维纳滤波那样可解析调优的参数所以迭代次数必须靠实验确定。一个实用技巧是盯着复原结果的频谱或局部平坦区域看在imshow(deblurred_lr)后放大一块原本无纹理的区域如果出现沙粒状噪声说明迭代过头了。4. 图像复原质量评价与参数扫描PSNR、SSIM 和振铃的平衡4.1 用 psnr 和 ssim 量化复原效果没有量化指标的调参都是碰运气。模拟退化场景里有原始参考图 I就可以用 MATLAB 内置的psnr和ssim函数直接打分psnr_degraded psnr(blurred_noisy, I); psnr_wnr psnr(deblurred_wnr, I); ssim_wnr ssim(deblurred_wnr, I); fprintf(退化图 PSNR: %.2f dB\n, psnr_degraded); fprintf(维纳复原 PSNR: %.2f dB, SSIM: %.4f\n, psnr_wnr, ssim_wnr);PSNR 衡量的是全局像素误差SSIM 衡量的是结构相似性。两者都要看PSNR 高但 SSIM 低的图往往是噪声被抹平了但纹理细节也丢了PSNR 低但 SSIM 高的图可能整体灰度有偏差但结构保住了。真实拍摄图像没有参考图这两个指标就失效了。实际操作里可以退而求其次用图像中一块相对清晰的区域作为近似参考或者直接用边缘锐度和噪声方差做评估。4.2 扫描迭代次数找最优点的脚本deconvlucy的迭代次数最值得扫描。写一个 1 到 50 次的循环记录每次迭代后的 PSNR 和 SSIM找出峰值对应的迭代数max_iter 50; psnr_curve zeros(1, max_iter); ssim_curve zeros(1, max_iter); for it 1:max_iter tmp deconvlucy(blurred_noisy, PSF, it); psnr_curve(it) psnr(tmp, I); ssim_curve(it) ssim(tmp, I); end [best_psnr, best_iter] max(psnr_curve); fprintf(最佳 PSNR %.4f dB, 迭代次数 %d\n, best_psnr, best_iter); % 绘制曲线观察过拟合拐点 plot(1:max_iter, psnr_curve, o-); xlabel(迭代次数); ylabel(PSNR (dB));这个脚本跑完曲线通常是先快速上升然后进入平台期最后缓慢下降。下降段就是过拟合阶段。取best_iter之前的一段平台区间的中点往往比取最大值点更稳因为最大值点附近对参数变化太敏感在真实图像上换个噪声样本性能就会波动。这个结论在带有随机噪声的模拟里特别明显跑两次不同噪声种子得到的best_iter可能差 5 到 10 次。4.3 真实图像与模拟退化图像主观评价的三类痕迹当手里的图没有原始参考评价就得靠观察三类痕迹残留模糊、振铃、过度平滑。这三者在真实图里是对立关系压了振铃就可能留模糊锐化过头就出振铃。评价场景可用指标主要风险模拟退化有原始参考PSNR / SSIM指标高不代表边缘干净真实拍摄无参考主观观察无法量化盲复原结果边缘斜率 / 噪声方差二者此消彼长具体观察方法把复原图放大到 200%沿着一条明显的边缘比如建筑物轮廓、文字笔画看灰度剖面正常复原的边缘是陡峭但单调的过度如果边缘两侧出现等间隔的明暗交替就是振铃。把观察区域移到纯色区域如果出现不该有的纹路就是噪声放大。这两种痕迹同时存在时优先保留边缘、接受少量振铃因为后续可以用形态学后处理压振铃但细节丢了就补不回来了。5. 当手里的素材是“图像复原.zip”代码落地、路径与边界振铃抑制5.1 解压、加入路径与依赖检查拿到一个图像复原.zip压缩包时先别急着双击运行主脚本。解压后第一件事是查看目录结构确认是否有main.m、run_*.m或demo.m这类入口文件然后检查是否有图片资源和.mat文件。接着用addpath把代码目录加入 MATLAB 搜索路径并检查核心函数是否存在addpath(D:\workspace\image-restoration); which deconvwnr which deconvlucy which my_custom_function % 如果有自定义函数这个会关键which如果返回not found说明代码包依赖了某个未提供的文件或工具箱函数最常见的坑是缺少 Image Processing Toolbox 导致fspecial、imfilter全部报错。MATLAB 2018 到 R2023b 这些版本里deconv*函数接口一致跨版本运行基本不需要改代码但要注意较新的版本对中文脚本注释的编码更敏感zip 包里的中文注释可能在旧版 MATLAB 里显示为乱码这不会影响运行只是可读性问题。5.2 版本兼容与 Octave 备选如果手上没有 MATLAB只有 Octave情况会麻烦一些。Octave 的image包提供了fspecial、imfilter和deconvwnr但deconvlucy和deconvblind并不是官方包的标准实现。一个可行的折中方案是用 Octave 跑通维纳滤波和约束最小二乘验证退化模型和参数趋势再把迭代类算法的调参放到 MATLAB 上完成。5.3 用 edgetaper 抑制边界振铃的实战技巧真实图像反卷积最常见的毛刺不是噪声而是图像四条边上的横竖条纹。原因是imfilter的边界处理假设与实际拍摄不符退化观测在边界处不满足卷积模型。deconv*系列的内部实现默认补零导致边界附近的反卷积结果强烈震荡。处理这个问题有个 20 年前就存在的冷门函数edgetaper% 先用 PSF 软化边界让边界区域尽量接近卷积模型的假设 blurred_edged edgetaper(blurred_noisy, PSF); % 再对软化后的图像做迭代复原 % 注意 edgetaper 要作用在退化图上而不是复原结果上 deblurred_edge deconvlucy(blurred_edged, PSF, best_iter);edgetaper的原理是把图像边界向外延拓做一个渐变衰减使边界像素值平滑过渡到背景从而减少反卷积对不连续边界的敏感度。它会轻微损失边界处的真实信息但对 90% 以上的实际图像来说用边界几十个像素的精度换取全图去振铃是划算的。如果把edgetaper和参数扫描脚本配合起来以最佳迭代次数附近的参数组合跑deconvlucy再用一个小尺寸中值滤波处理残留振铃整体效果会明显好于直接调默认参数。本文还有配套的精品资源点击获取