精华内容
下载资源
问答
  • 这是用matlab实现图像复原的程序,包括逆滤波、维纳滤波、约束最小二乘方滤波
  • 压缩包里面有6个.m文件, blurring.m用于给图像增加抖动效果 inverseFilter.m是不考虑噪声的逆滤波 inverseFilterWithNoise.m是考虑噪声的逆滤波 wienerFiltering.m是维纳滤波 另外两个是辅助函数
  • GUI,用于应用逆滤波、截断逆滤波、维纳滤波和约束最小二乘滤波“metrics.m”——一个用户定义的函数来计算 PSNR 和 SSIM。 在“ImageRestoration.m”中被调用 “Butter_LPF.m” - 一个用户定义的函数,用于在具有...
  • 对已知图像进行模糊处理,用逆滤波和维纳滤波恢复图像,有Matlab程序和自己试验后的结果及简要的分析讨论
  • 要想得到高质量的图像,需要对已经退化后的图像进行复原图像退化模型 一般来说,图像的退化模型可以表示为 g(x,y)=h(x,y)∗f(x,y)+n(x,y)g\left( x,y \right)=h\left( x,y \right)*f\left( x,y \right)+n\left( x...

    由于受到光学系统的像差,成像设备与物体的相对运动等因素的影响,图像会出现一定的失真。要想得到高质量的图像,需要对已经退化后的图像进行复原。

    图像退化模型

    一般来说,图像的退化模型可以表示为
    g ( x , y ) = h ( x , y ) ∗ f ( x , y ) + n ( x , y ) g\left( x,y \right)=h\left( x,y \right)*f\left( x,y \right)+n\left( x,y \right) g(x,y)=h(x,y)f(x,y)+n(x,y)
    其中, g ( x , y ) g\left( x,y \right) g(x,y)表示退化后的图像, h ( x , y ) h\left( x,y \right) h(x,y)为点扩散函数, f ( x , y ) f\left( x,y \right) f(x,y)为原始图像, n ( x , y ) n\left( x,y \right) n(x,y)为引入的噪声。
    在频域上面可以表示为
    G ( u , v ) = H ( u , v ) F ( u , v ) + N ( u , v ) G\left( u,v \right)=H\left( u,v \right)F\left( u,v \right)+N\left( u,v \right) G(u,v)=H(u,v)F(u,v)+N(u,v)

    逆滤波

    逆滤波是一种常见且直观的图像恢复方法,它的主要过程是将退化后的图像从空间域变换到频域,进行逆滤波后在变换到空间域上从而实现图像的复原。
    从上面的介绍可以得到,图像的退化模型为
    g ( x , y ) = h ( x , y ) ∗ f ( x , y ) + n ( x , y ) = ∫ − ∞ + ∞ f ( α , β ) h ( x − α , y − β ) d α d β + n ( x , y ) \begin{aligned} & g\left( x,y \right)=h\left( x,y \right)*f\left( x,y \right)+n\left( x,y \right) \\ & \text{=}\int_{-\infty }^{+\infty }{f\left( \alpha ,\beta \right)h\left( x-\alpha ,y-\beta \right)d\alpha d\beta +n\left( x,y \right)} \end{aligned} g(x,y)=h(x,y)f(x,y)+n(x,y)=+f(α,β)h(xα,yβ)dαdβ+n(x,y)
    将其变换到频域可以得到
    G ( u , v ) = H ( u , v ) F ( u , v ) + N ( u , v ) G\left( u,v \right)=H\left( u,v \right)F\left( u,v \right)+N\left( u,v \right) G(u,v)=H(u,v)F(u,v)+N(u,v)
    那么
    F ′ ( u , v ) = G ( u , v ) H ( u , v ) − N ( u , v ) H ( u , v ) = F ( u , v ) − N ( u , v ) H ( u , v ) \begin{aligned} & {F}'\left( u,v \right)\text{=}\frac{G\left( u,v \right)}{H\left( u,v \right)}-\frac{N\left( u,v \right)}{H\left( u,v \right)} \\ & =F\left( u,v \right)-\frac{N\left( u,v \right)}{H\left( u,v \right)} \end{aligned} F(u,v)=H(u,v)G(u,v)H(u,v)N(u,v)=F(u,v)H(u,v)N(u,v)
    F ( u , v ) = G ( u , v ) H ( u , v ) + N ( u , v ) H ( u , v ) = F ′ ( u , v ) + N ( u , v ) H ( u , v ) \begin{aligned} & {F}\left( u,v \right)\text{=}\frac{G\left( u,v \right)}{H\left( u,v \right)}+\frac{N\left( u,v \right)}{H\left( u,v \right)} \\ & =F'\left( u,v \right)+\frac{N\left( u,v \right)}{H\left( u,v \right)} \end{aligned} F(u,v)=H(u,v)G(u,v)+H(u,v)N(u,v)=F(u,v)+H(u,v)N(u,v)
    将其进行傅里叶反变换可以得到复原图像 f ⌢ ( x , y ) = F − 1 [ F ( u , v ) ] \overset{\scriptscriptstyle\frown}{f}\left( x,y \right)={{F}^{-1}}\left[ {F}\left( u,v \right) \right] f(x,y)=F1[F(u,v)]
    但是仅仅知道 H ( u , v ) H\left( u,v \right) H(u,v)时,逆滤波复原存在一定的难度,而且逆滤波复原对信噪比的要求比较高。

    维纳滤波

    维纳滤波是另外一种比较常见的图像复原方法,计算复杂度相对较小并且考虑了噪声的影响。通常情况下,假设图像和噪声是相互独立的且至少存在一个均值为零,恢复图像和模糊图像两者的灰度级呈线性关系时,维纳滤波可表示为
    F ′ ( u , v ) = ( 1 H ( u , v ) ∣ H ( u , v ) ∣ 2 ∣ H ( u , v ) ∣ 2 + K ) G ( u , v ) {F}'\left( u,v \right)=\left( \frac{1}{H\left( u,v \right)}\frac{|H\left( u,v \right){{|}^{2}}}{|H\left( u,v \right){{|}^{2}}+K} \right)G\left( u,v \right) F(u,v)=(H(u,v)1H(u,v)2+KH(u,v)2)G(u,v)
    ∣ H ( u , v ) ∣ 2 = H ˉ ( u , v ) H ( u , v ) |H\left( u,v \right){{|}^{2}}=\bar{H}\left( u,v \right)H\left( u,v \right) H(u,v)2=Hˉ(u,v)H(u,v)
    K = S n ( u , v ) / S f ( u , v ) K={{S}_{n}}\left( u,v \right)/{{S}_{f}}\left( u,v \right) K=Sn(u,v)/Sf(u,v)
    其中, S n ( u , v ) {{S}_{n}}\left( u,v \right) Sn(u,v)为噪声功率谱, S f ( u , v ) {{S}_{f}}\left( u,v \right) Sf(u,v)为原图像功率谱。当信噪比较大时, K → 0 K\to 0 K0,此时维纳滤波可转换为逆滤波;当信噪比较小时, K → + ∞ K\to +\infty K+,图像存在难以复原的问题。

    仿真结果

    在这里插入图片描述
    从图中可以看出,经过逆滤波后的效果不如维纳滤波效果好,同时也能看出由于只知道点扩散函数,不知道噪声对最终的结果有较大的影响,相比之下,维纳滤波表现出更好的性能。
    代码如下
    主函数

    clear;
    close all;
    clc;
    N = 256;
    x = double(imread('lenna.jpg'));
    figure(1)
    subplot(221)
    imshow(x,gray(256));title('原始图像');
    h = ones(4,4)/16;  %点扩散函数
    sigma = 15;         %噪声方差
    
    Xf = fft2(x);
    Hf = fft2(h,N,N);
    y = real(ifft2(Hf.*Xf))+sigma*randn(N,N); %退化图像
    %y = filter2(h,x)+sigma*randn(N,N);	  %退化图像
    subplot(222)
    imshow(y,gray(256));title('退化图像');
    gamma = 2;
    eix = inverseFilter(y,h,gamma);
    subplot(223)
    imshow(eix,gray(256));title('逆滤波复原');
    %% 广义维纳滤波
    gamma = 1;
    alpha = 1;
    ewx = wienerFilter(y,h,sigma,gamma,alpha);
    subplot(224)
    imshow(ewx,gray(256));title('维纳滤波复原');
    
    

    inverseFilter.m

    function restored_x = inverseFilter(y,h,gamma)
    %% 广义逆滤波
    N = size(y,1);  %大小
    Yf = fft2(y);   %频域变换
    Hf = fft2(h,N,N); %点扩散函数
    sHf = Hf.*(abs(Hf)>0)+1/gamma*(abs(Hf)==0);  %处理为零的情况
    iHf = 1./sHf;     %求逆
    iHf = iHf.*(abs(Hf)*gamma>1)+gamma*abs(sHf).*iHf.*(abs(sHf)*gamma<=1);
    restored_x = real(ifft2(iHf.*Yf));   %复原图像
    end
    
    

    wienerFilter.m

    function ex = wienerFilter(y,h,sigma,gamma,alpha)
    %广义维纳滤波,当alpha=1时退化为维纳滤波
    
    N = size(y,1);
    Yf = fft2(y);
    Hf = fft2(h,N,N);
    Pyf = abs(Yf).^2/N^2;
    sHf = Hf.*(abs(Hf)>0)+1/gamma*(abs(Hf)==0);
    iHf = 1./sHf;
    iHf = iHf.*(abs(Hf)*gamma>1)+gamma*abs(sHf).*iHf.*(abs(sHf)*gamma<=1);
    
    Pyf = Pyf.*(Pyf>sigma^2)+sigma^2*(Pyf<=sigma^2);
    Gf = iHf.*(Pyf-sigma^2)./(Pyf-(1-alpha)*sigma^2);
    eXf = Gf.*Yf;
    ex = real(ifft2(eXf));
    
    end
    
    
    展开全文
  • 图像在获取、传输和存储的过程中由于各种原因引起图像质量的下降,需要对图像进行...本文对图像复原技术、高斯噪声、椒盐噪声进行介绍,探讨二维中值滤波算法和MATLAB下算法的仿真实验,同时分析实验结果,最后得出结论。
  • 逆滤波实现图像复原

    2014-06-05 11:57:02
    逆滤波实现图像复原的算法,而且复原效果很好
  • 点击查看:基于Matlab退化图像逆滤波处理 文件大小:3.1M 操作系统:Windows10旗舰版 开发工具:Matlab2016、2018、2020 开发语言:.m 简要概述: 这段代码提供了一个matlab程序来实现R.C.Gonzalez所描述的逆滤波...

    点击查看:基于Matlab退化图像的逆滤波处理

    文件大小:3.1M

    操作系统:Windows10旗舰版

    开发工具:Matlab2016、2018、2020

    开发语言:.m

    简要概述:

    这段代码提供了一个matlab程序来实现R.C.Gonzalez所描述的逆滤波。该程序基于一幅500*500像素的图像,该图像受大气湍流的影响,其退化模型为高斯或类高斯。在程序中可以改变两个参数,即H(i,j)“exp”表达式中的第一个浮点数,它决定了高斯或类高斯退化模型函数——H的方差。另一个参数是threshold,它可以在具有相同调用的代码中找到。它改变了图像处理范围的半径。

    在这里插入图片描述

    展开全文
  • 图像复原之直接逆滤波

    千次阅读 2021-04-23 15:56:27
    由退化函数H退化的图像复原的最简单的方法是直接作逆滤波,设图像退化前的傅里叶变换为F(u,v),退化后的傅里叶变换为G(u,v),系统函数即退化函数的傅里叶变换为H(u,v)。函数所谓直接逆滤波,就是用退化函数除退化...

    由退化函数H退化的图像复原的最简单的方法是直接作逆滤波,设图像退化前的傅里叶变换为F(u,v),退化后的傅里叶变换为G(u,v),系统函数即退化函数的傅里叶变换为H(u,v)。函数

    所谓直接逆滤波,就是用退化函数除退化图像的傅里叶变换,获得退化前图像的傅里叶变换的估计,ui

    d4b862c6c539aa37416e911aa36565da.png为F(u,v)的估计,则

    72a77f735f7ff719fa5de39834f4a664.png,同时

    689af337deee17f69e064893c57208a0.png,其中N(u,v)为噪声的傅里叶变换。所以,可得

    9c409fa3303c5c9db110a098aede0c0a.png,由该式可知,即便知道退化函数,也不能准确的复原图像,由于N(u,v)未知,甚至有更糟的状况是若是退化函数是零或是很是小的值,则N(u,v)/H(u,v)的值比较大,很容易支配F(u,v)的估计值。解决这个问题的一种方法是限制滤波的频率,从频谱图可知,高频份量的值接近0,而H(0,0)在频率域中一般是H(u,v)的最高值。所以可缩短滤波半径,使经过的频率接近原点,减小遇到零值的几率。spa

    直接逆滤波的MATLAB代码以下code

    image_o=imread('C:\Program Files\MATLAB\R2013a\bin\work\图像复原\lena.bmp');

    subplot(1,3,1);

    imshow(image_o);

    title('原图像');

    %频率域退化图像,退化函数H(u,v)=exp(-0.0025*( (u-M/2).^2+(v-N/2).^2).^(5/6) )

    %傅里叶变换

    f=im2double(image_o);

    F=fft2(f);

    F=fftshift(F);

    %执行退化

    [M,N]=size(F);

    [u,v]=meshgrid(1:M,1:N);%生成二维坐标系

    H=exp(-0.0025* ( (u-M/2).^2+(v-N/2).^2).^(5/6) );

    F=F.*H;

    %傅里叶反变换

    X=ifftshift(F);

    x=ifft2(X);

    x=uint8(abs(x)*256);

    subplot(1,3,2);

    imshow(x);

    %

    title('退化图像');

    image_d=imread('C:\Program Files\MATLAB\R2013a\bin\work\图像复原\lena_deterioration.bmp');

    %直接逆滤波图像复原

    ff=im2double(image_d);%将图像灰度值归一化到0-1之间

    % 傅里叶变换

    f_Id=fft2(ff);

    f_Id=fftshift(f_Id);

    fH_Id=f_Id;

    [M,N]=size(fH_Id);

    % 逆滤波

    threshold=78;

    if threshold>M/2

    %全滤波

    fH_Id=fH_Id./(H+eps);

    else

    %对必定半径范围内进行滤波

    for i=1:M

    for j=1:N

    if sqrt((i-M/2).^2+(j-N/2).^2)

    fH_Id(i,j)=fH_Id(i,j)./(H(i,j)+eps);

    end

    end

    end

    end

    % 执行傅立叶逆变换

    fH_Id1=ifftshift(fH_Id);

    f_new=ifft2(fH_Id1);

    f_new=uint8(abs(f_new)*255);

    subplot(1,3,3);

    imshow(f_new);

    title('滤波半径=78的逆滤波复原图像');

    效果以下

    bc82b2ba94b99cf9b2d1f20c2445f250.png

    e29da16c77c5ae0c6f4456d459f3491d.png

    f72e0d3f7e538fe449f0cc105101e431.png

    6cf6193fae60522802854138bdc1afc2.png

    从实验结果可知,滤波为78比较适宜。blog

    展开全文
  • 《用逆滤波和维纳滤波进行图像复原[稻谷书苑]》由会员分享,可在线阅读,更多相关《用逆滤波和维纳滤波进行图像复原[稻谷书苑](6页珍藏版)》请在人人文库网上搜索。1、用逆滤波和维纳滤波进行图像复原在图像的获取、...

    《用逆滤波和维纳滤波进行图像复原[稻谷书苑]》由会员分享,可在线阅读,更多相关《用逆滤波和维纳滤波进行图像复原[稻谷书苑](6页珍藏版)》请在人人文库网上搜索。

    1、用逆滤波和维纳滤波进行图像复原在图像的获取、传输以及记录保存过程中,由于各种因素,如成像设备与目标物体的相对运动,大气的湍流效应,光学系统的相差,成像系统的非线性畸变,环境的随机噪声等原因都会使图像产生一定程度的退化,图像退化的典型表现是图像出现模糊、失真,出现附加噪声等。由于图像的退化,使得最终获取的图像不再是原始图像,图像效果明显变差。为此,要较好地显示原始图像,必须对退化后的图像进行处理,恢复出真实的原始图像,这一过程就称为图像复原。图像复原技术是图像处理领域一类非常重要的处理技术,主要目的就是消除或减轻在图像获取及传输过程中造成的图像质量下降即退化现象,恢复图像的本来面目。图像复原的过。

    2、程是首先利用退化现象的某种先验知识,建立退化现象的数学模型,然后再根据退化模型进行反向的推演运算,以恢复原来的景物图像。一、 实验目的1了解图像复原模型2了解逆滤波复原和维纳滤波复原3掌握维纳滤波复原、逆滤波的Matlab实现二、实验原理1、逆滤波复原如果退化图像为,原始图像为,在不考虑噪声的情况下,其退化模型可用下式表示(12-25)由傅立叶变换的卷积定理可知有下式成立(12-26)式中,、分别是退化图像、点扩散函数、原始图像的傅立叶变换。所以(12-27)由此可见,如果已知退化图像的傅立叶变换和系统冲激响应函数(“滤被”传递函数),则可以求得原图像的傅立叶变换,经傅立叶反变换就可以求得原始。

    3、图像,其中除以起到了反向滤波的作用。这就是逆滤波复原的基本原理。在有噪声的情况下,逆滤波原理可写成如下形式(12-28)式中,是噪声的傅立叶变换。2、维纳滤波复原维纳滤波就是最小二乘滤波,它是使原始图像与其恢复图像之间的均方误差最小的复原方法。对图像进行维纳滤波主要是为了消除图像中存在的噪声,对于线性空间不变系统,获得的信号为(12-29)为了去掉中的噪声,设计一个滤波器,其滤波器输出为,即 (12-30)使得均方误差式(12-31)成立,其中称为给定时的最小二乘估计值。设为的相关函数的傅立叶变换,分别为的相关函数的傅立叶变换,为冲激响应函数的傅立叶变换,有时也把和分别称为和的功率谱密度,则滤。

    4、波器的频域表达式为(12-32)于是,维纳滤波复原的原理可表示为(12-33)对于维纳滤波,由上式可知,当时,由于存在项,所以不会出现被0除的情形,同时分子中含有项,在处,。当时,此时维纳滤波就变成了逆滤波;当时,表明维纳滤波避免了逆滤波中出现的对噪声过多的放大作用;当和未知时,经常用来代替,于是其中,称为噪声对信号的功率谱度比,近似为一个适当的常数。这是实际中应用的公式。三、MATLAB实现clear;I=imread(rice.tif);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。

    5、白图像);m,n=size(I);F=fftshift(fft2(I);k=0.0025;for u=1:m for v=1:nH(u,v)=exp(-k)*(u-m/2)2+(v-n/2)2)(5/6);endendG=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)。

    6、;imshow(uint8(I2);title(全逆滤波复原图);K=0.1; for u=1:m for v=1:nH(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);endendF2=H1.*F0;I3=ifft2(fftshift(F2);subplot(2,2,4);imshow(uint8(I3);title(维纳滤波复原图);四、运行结果原图:复原后图像:五、心得体会通过这次做实验报告,使我对逆滤波和维纳滤波有了一定的了解,通过对运行结果的观察,了解了逆滤波和维纳滤波对运动模糊图像的联系和区别。6软硬件。

    展开全文
  • 从构造大气湍流模型,运动模糊模型,gauss噪声模型开始,利用逆滤波和半径受限逆滤波还有维纳滤波处理,分成多个脚本函数文件易于调试,对比效果明显
  • 逆滤波法在图像复原中的应用吴雪垠;吴谨;张鹤【期刊名称】《信息技术》【年(卷),期】2011(000)010【摘要】针对逆滤波图像复原算法进行研究,在已知系统退化模型的情况下,对退化图像使用逆滤波算法进行复原,再对复原后...
  • 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...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=[];...
  • MATLAB图像均值滤波

    2020-03-29 20:19:37
    图像添加一个方差为0.05的椒盐噪声(自己可以添加高斯噪声),然后对图像进行3*3算数均值滤波,几何均值滤波,Q=1.5大小的谐波滤波处理,可以观察处理后的结果
  • 图像复原逆滤波

    2020-12-25 01:43:04
    逆滤波,就是利用傅里叶反卷积。 % deconvolve in frequency domain Fimg = fft2(img,599,599); FC = fft2(C); R = FC ./ Fimg; r = ifft2(R); % show deconvolved Gaussian figure(1); subplot(2,3,1), imshow(img...
  • 数字图像处理维纳滤波Matlab代码分享,另外有高斯滤波Matlab代码,有需要的同学请点击关注查看
  • 维纳滤波和约束最小二乘滤波图像复原自编matlab代码,共有两个文件CLSFilter.m,WienerFilter.m和一张测试图,可直接在R2013b上可以运行,有详细注释,注释里还有参考资料的网页链接,可帮助理解代码。
  • DFT的matlab源代码逆滤波 使用逆滤波进行图像还原 full_inverse.py 全滤波器 trunc_inverse.py 截断滤波器 wiener_filter.py 维纳过滤器 cls_constant_y.py 常数Y项约束的最小二乘 cls_iterative_y.py 用迭代...
  • 参考资料: 陷波滤波器—matlab实现 ...图像复原之约束最小二乘方滤波 https://blog.csdn.net/yi_tech_blog/article/details/54605146 图像去模糊(约束最小二乘方滤波) https://blog.csdn.net/blu...
  • ###Date: 2018.5.8================================================引言图像模糊是一种拍摄常见的现象,我曾在图像去模糊(维纳滤波)介绍过。这里不再详述,只给出物理模型,这里我们仍在频率域表示G(u,v)=H(u,v)F...
  • %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/...
  • Köhler,“成像问题的自适应分位数稀疏图像 (AQuaSI) 先验”,IEEE 计算成像交易,第一卷。 6,第 503-517 页,2020,doi:10.1109/TCI.2019.2956888。 如果您在工作中使用此代码,请引用: @ARTICLE{8931625, ...
  • 可以通过手动调节 c 和 w两个参数查看维纳滤波后的图像效果
  • 数字图像处理-运动模糊&逆滤波&维纳滤波(Matlab)

    万次阅读 多人点赞 2020-11-05 20:19:13
    1-1 图像退化(均值滤波+椒盐噪声)1-2 直接逆滤波还原图像1-3 去掉噪声分量逆滤波还原图像2、对一幅灰度图像进行运动模糊并叠加高斯噪声,并采用维纳滤波进行复原。2-1 图像退化(运动模糊+高斯噪声)2-2
  • 数字图像处理第五章维纳滤波matlab实现
  • 数字图像处理 逆滤波 维纳滤波 数字图像处理 逆滤波 维纳滤波 源代码 还有报告
  • 基于matlab GUI运动模糊消除(逆滤波) 二、源代码 function varargout = motion_remove(varargin) % MOTION_REMOVE M-file for motion_remove.fig % MOTION_REMOVE, by itself, creates a new MOTION_REMOVE or ...
  • 利用逆滤波复原的原理,通过已知复原图像和噪声,采用退化函数,经过反傅里叶变换,求出原始图象. 同时以Visual C + + 6. 0 与Matlab为开发工具. 实验表明本算法具有良好的性能,能有效抑制和清除干扰对测试结果的影响...
  • 图像复原4.1.图像退化/复原处理的模型4.2.噪声模型4.2.1.用imnoise函数为图像添加噪声4.2.2.用给定分布产生空间随机噪声4.2.3.imnoise2函数为图像添加噪声:4.2.3.周期噪声4.2.4.估计噪声参数4.3.仅有噪声的复原-...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,378
精华内容 551
关键字:

matlab图像复原逆滤波

matlab 订阅