不使用sklearn，不需要转换为灰度图 （1）对5张灰度图片进行添加3种噪声，每种噪声3种参数组合 （2）接着（1），采用中值滤波、维纳滤波、自适应中值滤波进行平滑，每种算法3种滤波参数 （3）接着（2），绘制出灰度直方图，并进行均衡化处理

要在Python中完成上述任务，我们将使用OpenCV库来进行图像处理，因为OpenCV提供了丰富的图像操作功能，包括添加噪声、滤波和平滑处理以及直方图均衡化。这里假设我们已经导入了必要的库，如numpy和opencv-python： ```python import numpy as np import cv2 # 1. 添加噪声 # 三种噪声：高斯噪声、椒盐噪声和泊松噪声 def add_noises(image, noise_type, params): if noise_type == 'gaussian': image += np.random.normal(0, params[0], image.shape) elif noise_type == 'salt_and_pepper': salt_mask = np.random.rand(*image.shape) < params[0] pepper_mask = np.random.rand(*image.shape) > 1 - params[0] image[salt_mask] = 255 image[pepper_mask] = 0 elif noise_type == 'poisson': noisy_image = np.random.poisson(image.astype('uint16')) // 1 return noisy_image # 示例参数： images = [cv2.imread(f"image_{i}.jpg", cv2.IMREAD_GRAYSCALE) for i in range(1, 6)] # 读取5张灰度图片 noise_combinations = [ ('gaussian', [10, 20, 30]), ('salt_and_pepper', [0.05, 0.1, 0.15]), ('poisson', [10, 20, 30]) # 每种噪声3种参数 ] for img in images: for noise_type, params in noise_combinations: noisy_img = add_noises(img, noise_type, params) # 2. 图像平滑 methods = ['median', 'wiener', 'adaptive_median'] filter_params = { 'median': [5, 7, 9], 'wiener': [3, 5, 7], 'adaptive_median': [None, None, cv2.adaptiveMedianFilterparams(cv2.ADAPTIVE_THRESH_MEAN_C, cv2.MEDIAN_C, 5, 3)] } for method in methods: for param in filter_params[method]: filtered_img = getattr(cv2, method)(noisy_img, param) cv2.imwrite(f"{method}_{param}_filtered.jpg", filtered_img) # 3. 直方图均衡化 for img in [filtered_img for _ in methods for _ in filter_params[method]]: eq_img = cv2.equalizeHist(img) cv2.imwrite(f"{img_name}_equilibrated.jpg", eq_img) ``` 在这个例子中，我们没有直接使用sklearn库，而是通过OpenCV实现了添加噪声、平滑和直方图均衡化的功能。每次处理完一张图片后，都会保存结果以供后续分析。