为了获得理想的图像去噪效果，维纳滤波器只能使用点扩散函数（模糊滤波器）来实现，该函数通过对图像像素的某个邻域进行平均来滤除噪声。由于您没有透露您的程序文本，因此无法肯定地说，但您令人失望的结果很可能来自未能在每个像素附近应用平均。

傅里叶域中维纳滤波器的典型推导得到表达式 其中是与您的指定一致的维纳滤波器，是点扩展函数 (模糊过滤器），然后我将您的重命名为，以便为通用 PSD 保留字符。为了与您对原始图像下标和添加 WGN 的图像使用是添加噪声之前原始图像的（假定未知）功率谱。

$$H(u,v) = {\frac {B^*(u,v)S_{ff}(u,v)} {|B(u,v)|^2 S_{ff}(u,v) + S_{nn}(u,v)}}$$ $H(u,v)$$B$$P$$S$$P$$f$$g$$S_{ff}(u,v)$

的 DFT 估计功率谱，可以写然后得出类似于您的表达式 : 具有因子的显着外观。$X(u,v)$$S^{periodogram} = |X(u,v)|^2/N^2$$H(u,v) = (P_g - P_n)/P_g$

$$H(u,v) = {1 \over B}{\frac {S^{periodogram}(u,v) - S_{nn}}{S^{periodogram}(u,v)}}$$ ${1 \over B}$

的逆可能会出现问题。解决方案是使用矩阵pseudoinverse。$B(u,v)$

回到您的问题：您未能重建去噪图像，因为您忽略了像素邻域的平均。使用 MATLAB 函数wiener2(I,[m n])对具有不同像素邻域大小的逐像素自适应低通 Wiener 滤波进行实验，将帮助您了解 Wiener 滤波器在噪声图像上的工作原理。您会看到最佳m,n值的选择如何取决于局部图像方差。