一、均值滤波
均值滤波是一种最基础且常用的低通滤波器，在MATLAB中实现简单易行。其原理是取某一像素点及其邻域内的所有像素灰度平均值得到新像素值，以此达到消除噪声和平滑图像的目的：
matlab
I = imread('input.jpg'); % 读入原始图片
h = fspecial('average', hsize); % 创建一个大小为hsize（如3）×3的均值模板
J = imfilter(I,h,'replicate'); % 使用imfilter函数对原图进行卷积操作以完成平滑过程
imshow(J) ;% 显示处理后的图像
二、高斯滤波
相较于均值滤波，高斯滤波考虑了各相邻像素的影响权重，并按照二维高斯分布赋予不同的权值来计算输出像素值。这种算法可以有效去除噪点的同时保持边缘相对清晰：
matlab
sigma = 2; % 高斯核的标准差可自定义
h = fspecial('gaussian', [5, 5], sigma);
Gauss_I = imfilter(double(rgb2gray(I)), h);
imshow(Gauss_I), title ('使用高斯滤波');
三、双边滤波
双线性滤波则是在保留更多细节的前提下做去噪处理的一种方式，特别是对于保护边界有很好的效果。它是结合空间距离和颜色/亮度相似性的加权算术平均法：
matlab
bilateralfilteredImage= imgaussfilt(I,[0.6 1]);
figure, imshow(bilateralfilteredImage),title('Bilateral Filtering Result')
四、运动模糊模型及恢复
针对因相机或物体移动引起的运动模糊问题，可以在MATLAB中通过逆滤波等手段来进行复原:
matlab
Hmotion = ones(7)/7; % 运动模糊核假设均匀分布
blurredImg = imfilter(original_img,Hmotion,'circular');
deconvolved_image = deconvlucy(blurredImg, Hmotion, 10); % 利用Lucy-Richardson迭代反卷积法还原图像
subplot(1,2,1), imshow(uint8(blurredImg));
subplot(1,2,2), imshow(deconvolved_image);
以上只是众多MATLAB图像模糊处理应用中的冰山一角，无论是用于降噪预处理还是艺术特效生成，亦或是复杂场景下的精确分析修复，都能找到相应的解决方案并借助于MATLAB的强大运算能力快速实施和验证你的想法。只需理解各类模糊背后的数学理论并在代码层面灵活运用，就能极大地提升你在这方面的实践技能。