图像处理：添加高斯、椒盐、泊松、均匀噪声，分别进行高斯滤波、中值滤波、盒滤波、双边滤波

在图像处理领域，噪声是不可避免的问题，它可能来源于传感器、传输过程或电子干扰等。本项目专注于使用Python处理图像噪声，并应用不同的滤波技术来恢复图像质量。以下是关于这个主题的详细知识： **高斯噪声**是一种随机噪声，其强度在各个频率上遵循正态分布（高斯分布）。在图像中，高斯噪声表现为像素值的随机波动。Python中，可以使用`numpy`库生成高斯噪声，并结合`PIL`或`OpenCV`库将其添加到图像中。 **椒盐噪声**是由像素值突然变0（盐点）或255（胡椒点）导致的二值噪声，常用于模拟图像传感器故障。Python中，可以通过设定一定概率将像素值设为0或255来实现椒盐噪声的添加。 **泊松噪声**源于光子统计不稳定性，特别是在低光照条件下。泊松噪声的强度与图像的亮度成比例。在Python中，可以利用`scipy.stats.poisson`函数生成泊松分布的随机数，然后映射到图像像素值上。 **均匀噪声**是指像素值在一定范围内随机变化，变化幅度相同。Python的`numpy.random.uniform`函数可以用来生成这种噪声并应用到图像上。 接下来，我们将介绍几种常见的滤波方法： **高斯滤波**是通过卷积操作使用高斯核对图像进行平滑，有效消除高斯噪声。`OpenCV`的`cv2.GaussianBlur`函数可实现这一过程，通过调整高斯核的大小和标准差可以控制滤波效果。 **中值滤波**是一种非线性滤波方法，通过用每个像素邻域内像素值的中位数替换该像素值，对椒盐噪声有很好的去除效果。`OpenCV`的`cv2.medianBlur`函数可以完成中值滤波。 **盒滤波（平均滤波）**是最简单的滤波器，用像素邻域的平均值替换该像素值。这可以平滑图像，但可能会降低边缘细节。在`OpenCV`中，可以使用`cv2.blur`或`cv2.boxFilter`进行盒滤波。 **双边滤波**是一种同时考虑空间和灰度相似性的滤波方法，它既能平滑图像又能保持边缘。`OpenCV`的`cv2.bilateralFilter`函数实现了双边滤波，参数包括滤波半径、高斯空间权重的标准差以及高斯颜色权重的标准差。 在Project1这个项目中，你将有机会实践这些理论，通过Python代码处理测试图片，观察不同类型的噪声添加后的影响，以及各种滤波器在去噪上的性能。这将有助于你深入理解图像处理的基本原理和方法，并提升在实际问题中的应用能力。