clear; 

I=imread('C:\ok\原始图.jpg');

imshow(I); 

I=rgb2gray(I); %将原图像转化为黑白图

figure; 

subplot(2,2,1);

imshow(I);

title('转成黑白图像');

[m,n]=size(I);

F=fftshift(fft2(I));

k=0.0025;

for u=1:m

   for v=1:n 

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

  end

end  

G=F.*H; 

I0=real(ifft2(fftshift(G))); 

I1=imnoise(uint8(I0),'gaussian',0,0.001) 

subplot(2,2,2);

imshow(uint8(I1));

title('模糊退化且添加高斯噪声的图像');

F0=fftshift(fft2(I1));

F1=F0./H; 

I2=ifft2(fftshift(F1)); 

subplot(2,2,3);

imshow(uint8(I2));

title('全逆滤波复原图');

K=0.1;

for u=1:m

  for v=1:n 

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

       H0(u,v)=(abs(H(u,v)))^2; 

       H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+K));

end

end 

F2=H1.*F0; 

I3=ifft2(fftshift(F2)); 

subplot(2,2,4);

imshow(uint8(I3));

title(维纳滤波复原图);

运行结果如下：

原始图：

复原后图像：

经过仿真，如上图所示，可以看出逆滤波复原与维纳滤波复原的区别和联系。维纳滤波后虽然仍有一些噪声存在，但已经和原图很接近了。因为原图像和噪声函数都是已知的，可以正确的估算参量。