L−R演算法起源於極大似然，影象是用泊松統計建模的。當下面這個迭代收斂時，模型極大似然得到令人滿意方程式：

f=deconvlucy(g,PSF,NUMIT,DAMPAR,WEIGHT)

其中f表示復原影象，g表示退化影象，PSF是點擴散函式，NUMIT為迭代次數，DAMPAR是標量，指定了結果影象和原始影象的偏離閾值，當畫素偏離原值DAMPAR範圍內就不再迭代，既抑制了噪聲，又保留了影象細節。預設為0。WEIGHT是陣列，大小與g相同，它為每個畫素施於權重以反映影象質量，例如，從某個有缺陷的成像陣列中得到不良畫素都會被賦值為零，從而排出不良畫素的影響。另一個作用根據平坦區域修正總量來調節畫素權重。
如果復原影象呈現由演算法所用的離散傅立葉變換引入的振鈴，那麼呼叫函式deconvluvcy之前，先利用edgeaper是由幫助的。

close all;
clear all;
clc;
% Display the original image.
I = imread('1.jpg'); 
[d1,d2,d3] = size(I); 
if(d3 > 1) 
I = rgb2gray(I);
end
I = im2double(I);

[hei,wid,~] = size(I);
subplot(1,4,1),imshow(I);
title('Original Image ');


% Simulate a motion blur.
LEN = 100;
THETA = 11;
PSF = fspecial('motion'
 
, LEN, THETA);
blurred = imfilter(I, PSF, 'conv', 'circular');
subplot(1,4,2), imshow(blurred); title('Blurred Image');


% Simulate additive noise.
noise_mean = 0;
noise_var = 0.00001;
blurred_noisy = imnoise(blurred, 'gaussian', ...
                        noise_mean, noise_var);
subplot(1,4,3), imshow(blurred_noisy)
title('Simulate Blur and Noise'
 
)

DAMPAR=10*noise_var;
LIM=ceil(size(PSF,1)/2);
WEIGHT=zeros(size(blurred_noisy));
WEIGHT(LIM+1:end-LIM,LIM+1:end-LIM)=1;

NUMIT=5;
f5=deconvlucy(blurred_noisy,PSF,NUMIT,DAMPAR,WEIGHT);
subplot(1,4,4),imshow(f5);
title('L_R演算法')

數字影象處理的MATLAB實現