TV.m TV正则化

clear all;clc;
%-------------------------------------------------------------------------- 
% Total Variation Regularization Method 
%-------------------------------------------------------------------------- 
I = imread（‘0.tif‘）;
% load（‘C:\Users\admin\Desktop\matlab.mat‘）
% I=matrix;
figureimagesc（I）; 
title（‘Original Image‘）; 
xlabel（‘No:of pixels‘）; 
ylabel（‘No:of pixels‘）; 
N = 32; % Image Size 
I_res = reshape（IN^21）; % Image Vector 
% Computing the PSF 
b = 10; % Band 
s = 7; % Sigma value 
Z = [exp（-（[0:b-1].^2）/（2*s^2））zeros（1N-b）]; 
A = toeplitz（Z）; 
A = （1/（2*pi*s^2））*kron（AA）; % Point Spread Function 
% Addition of Gaussina Noise 

% noise = imnoise（I‘gaussian‘00.005）; 
for n=1:32
    noise（:n）=awgn（I（:n）10*log10（1/（0.05）^2）‘measured‘）;
end
figureimagesc（noise）; 
title（‘Noise added to the image‘）; 
xlabel（‘No:of pixels‘）; 
ylabel（‘No:of pixels‘）; 
% Creating Noise Image. 
x = zeros（NN）; 
noisex = imnoise（x‘gaussian‘00.005）; 
figureimagesc（x）; 
figureimagesc（noisex）; 
title（‘Noise‘）; 
% Lexicographic Arrangement of Noisy image 
Nr = reshape（noise32^21）; 
lg_Nr = double（Nr）; 
% g is the blurred image 
% I_res is the resized image to 32*1 
% I_org is the image restored back to original size of 32*32 
g = A*lg_Nr; 
I_blur = reshape（g3232）; 
figureimagesc（I_blur）; 
title（‘Blurred and Noisy Image‘）; 
xlabel（‘No:of pixels‘）; 
ylabel（‘No:of pixels‘）; 
% Computing the Least square method 
% using in-built command 
lsinbuilt = lsqr（Ag）; 
imagesc（reshape（lsinbuilt3232））; 
title（‘Least Square Output using the inbuilt Matlab command‘）; 
xlabel（‘No:of pixels‘）; 
ylabel（‘No:of pixels‘）; 
% Least suqares using formulation 
inverse = （transpose（A）*A）^-1*transpose（A）*g; 
lsrest = reshape（inverse3232）; 
figureimagesc（lsrest）; 
title（‘Least Square Output using the formulation‘）; 
xlabel（‘No:of pixels‘）; 
ylabel（‘No:of pixels‘）; 
fixed_iter = 512; % fixed point iteration 
% fixed_iter = 10; % fixed point iteration 
beta = 0.1; % Smoothing factor 
lamda = 1.5e-05; % Regularization parameter 
% Non-Linear Equation 
% Computation of Regularization operator: 
n = 32; 
nsq = n^2; 
Delta_x = 1 / n; 
Delta_y = Delta_x; 
D = spdiags（[-ones（n1） ones（n1）] [0 1] nn） / Delta_x; 
I_trunc1 = spdiags（ones（n1） 0 nn）; 
Dx1 = kron（DI_trunc1）; % Forward （upwind） differencing in x 
Dy1 =