OpenCV 提供了多种图像去噪的方法，以下是一些常见的去噪技术以及相应的 Python 代码示例：
均值滤波：使用像素邻域的灰度均值代替该像素的值。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("4.jpg")
result = cv2.blur(img, (5, 5)) # 传入读取的图像和核尺寸
cv2.imshow("Noise", img)
cv2.imshow("Mean Filter", result)
cv2.waitKey(0)
高斯滤波：适用于消除高斯噪声，通过加权平均邻域内的像素值来计算中心像素的新值。
result = cv2.GaussianBlur(img, (5, 5), 0) # 高斯核尺寸和标准差
cv2.imshow("Gaussian Filter", result)
中值滤波：选择一个含有奇数点的窗口，取窗口中像素灰度值的中位数来代替中心像素的值，有效去除椒盐噪声。
result = cv2.medianBlur(img, 5) # 核大小必须是大于1的奇数
cv2.imshow("Median Filter", result)
方框滤波：类似于均值滤波，但可以选择是否对结果进行归一化。
result = cv2.boxFilter(img, -1, (5, 5), normalize=True) # normalize=True 进行归一化
cv2.imshow("Box Filter", result)
双边滤波：在滤波时同时考虑空间邻近度与像素值相似度，保留边缘信息。
result = cv2.bilateralFilter(img, 9, 75, 75) # 直径、颜色空间的标准差和坐标空间的标准差
cv2.imshow("Bilateral Filter", result)
非局部均值去噪（NLM）：使用图像中的所有像素进行去噪，根据相似度加权平均。
dst = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()
高通滤波：保留高频部分，常用于边缘增强。
x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)
absx = cv2.convertScaleAbs(x)
absy = cv2.convertScaleAbs(y)
dist = cv2.addWeighted(absx, 0.5, absy, 0.5, 0)
cv2.imshow('High Pass Filter', dist)
请注意，上述代码中的 img 变量需要先加载一个图像，cv2.imread 函数用于读取图像，cv2.imshow 用于显示图像，cv2.waitKey(0) 用于等待用户按键操作，plt.show() 用于显示 Matplotlib 图像。在实际使用中，需要根据具体情况调整核尺寸、标准差等参数。
