### Wiener滤波器实现代码示例 #### Python中的Wiener滤波器实现 为了展示如何利用Python实现维纳滤波，下面提供了一个简单的例子。此实例适用于一维信号处理场景。 ```python import numpy as np from scipy.signal import wiener def add_noise(signal, noise_factor=0.5): """向输入信号添加高斯白噪声""" noisy_signal = signal + noise_factor * np.random.normal(size=len(signal)) return noisy_signal # 创建测试信号（正弦波） t = np.linspace(0, 1, 400) original_signal = np.sin(2 * np.pi * 7 * t) # 添加随机噪声到原信号上 noisy_signal = add_noise(original_signal) # 使用SciPy库内置函数执行维纳滤波操作 filtered_signal = wiener(noisy_signal) # 可视化结果对比 import matplotlib.pyplot as plt plt.figure(figsize=(10, 6)) plt.subplot(3, 1, 1) plt.plot(t, original_signal, label='Original Signal') plt.legend() plt.subplot(3, 1, 2) plt.plot(t, noisy_signal, color='red', label='Noisy Signal') plt.legend() plt.subplot(3, 1, 3) plt.plot(t, filtered_signal, color='green', label='Filtered Signal (Wiener)') plt.legend() plt.tight_layout() plt.show() ``` 这段代码展示了如何创建一个带有噪声的一维信号，并运用`scipy.signal.wiener()`来进行降噪处理[^1]。 对于更复杂的二维数据集比如图像来说，也可以采用类似的思路来去除干扰因素： ```python from skimage.restoration import denoise_wiener from skimage import data, img_as_float import matplotlib.pyplot as plt image = img_as_float(data.camera()) noisy_image = image.copy() + 0.4 * image.std() * np.random.rand(*image.shape) fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12, 4)) ax[0].imshow(image, cmap='gray') ax[0].axis('off') ax[0].set_title('Original Image') ax[1].imshow(noisy_image, cmap='gray') ax[1].axis('off') ax[1].set_title('Image with Added Noise') denoised_image = denoise_wiener(noisy_image, multichannel=True) ax[2].imshow(denoised_image, cmap='gray') ax[2].axis('off') ax[2].set_title('Denoised Image using Wiener Filter') plt.tight_layout() plt.show() ``` 上述脚本说明了怎样加载一张图片并加入一些人工制造出来的噪音；接着调用了来自`skimage.restoration`模块下的`denoise_wiener()`方法完成对受损影像资料的修复工作。