信噪比为0.5，卷积核为3，进行中值滤波得到了这样的对比图：信噪比为0.9，卷积核为3，进行中值滤波得到了这样的对比图：如果噪声够低，信噪比为0.99，进行中值滤波能得到这样的效果：

能得到：图中红色是标准差为0.2的效果，绿色标准差为0.5，蓝色标准差为5.0，结果表面随着标准差的增大，中心位置的占比就越大，两边的占比就越小，说明大部分信息集中在中心。

1.高斯卷积核可视化 {代码...} 得到图像

灰度可视化前文：[链接]1.灰度数值可视化 {代码...} 文字的位置判定在左下角：2.其他样式 {代码...}

当sigma为1.3时，最终会得到这样的高斯卷积核K：卷积核图像绘制可见：[链接]sigma表示离散程度，其越小，中心的值就会越大越集中。高斯图像绘制：[链接]

1.红加蓝 {代码...} 在img[i, j]中，i意味着从上到下，j意味着从做到右。从左向右256个像素逐渐变红，从下往上256个像素逐渐变蓝：2.绿加红 {代码...} 从左向右256个像素逐渐变红，从上往下256个像素逐渐变绿：3.蓝加绿 {代码...} 从左向右256个像素逐渐变绿，从上往下256个像素逐渐变蓝：4.plt绘制三视图 {代码...} 在o...

灰度图的亮度值按照规定应该是0~255总计256个值，相当于把从黑到白分循序变化分为了256个阶段，我下面所做的操作就是显示这256个阶段，不同灰度值的图像。

1.导入测试图片并创建二维图片数组 {代码...} 测试图片如下图：2.一般灰度化 {代码...} 通过对RGB彩色图片三通道的灰度值求均值能得到那一个像素的一般灰度值，得到一般灰度化图片：3.最大灰度化 {代码...} 取三种颜色亮度的最大值作为灰度图的亮度：4.最小灰度化 {代码...} 取三种颜色亮度的最小值作为灰度图的亮度：5....

图像提取 {代码...} 图像大小 {代码...} 图像缩小 {代码...} (w/2, h/2)表示缩小为原来的四分之一图像放大 {代码...} (w2, h2)表示图像放大一倍图像裁剪 {代码...} 以（150,200）为原点裁剪一个长为790，宽为338的图像

通道分离与合成 {代码...} 导入了一张测试图 {代码...} m1将RGB彩色图片的蓝色通道分离并与赋值为0的绿色和红色通道合成会得到下图：m2将RGB彩色图片的绿色通道分离并与赋值为0的蓝色和红色通道合成会得到下图：m3将RGB彩色图片的红色通道分离并与赋值为0的蓝色和绿色通道合成会得到下图：

zeros表示创建的是零矩阵，h 表示多少列，w 表示多少行，s 表示通道数目默认格式为float64;uint8表示一种特殊的格式：只能为0~255的整数(8位二进制整型)，(254+3=1)。这样构造的img1就是一张三通道与img同大小的黑色的图片。

在第一个参数中 . 表示当前文件夹，\ 表示进入下级文件，/ 后的文件就是读取的文件。第二个参数为False时，显示为灰度图像，True为原图。