用python给灰度图像加高斯噪声再去除，计算去噪前后的图像对比度？

可以使用Python中的OpenCV库来实现对灰度图像的加高斯噪声和去噪操作，同时使用skimage库来计算图像对比度。

首先，加载图像并将其转换为灰度图像：

import cv2
import numpy as np
from skimage.measure import compare_ssim

# 加载图像并转换为灰度图像
img = cv2.imread('lena.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

接下来，可以使用OpenCV的`randn`函数来生成高斯噪声，并添加到灰度图像中：

# 生成高斯噪声
mean = 0
var = 10
sigma = var ** 0.5
noise = np.random.randn(gray.shape[0], gray.shape[1]) * sigma + mean
noise = noise.reshape(gray.shape)

# 添加高斯噪声
noisy = gray + noise.astype(np.uint8)

这里使用了均值为0，方差为10的高斯噪声，并将其添加到灰度图像中，得到了添加噪声后的图像`noisy`。

接下来，可以使用OpenCV的`fastNlMeansDenoising`函数来对加噪图像进行去噪处理：

# 去噪
denoised = cv2.fastNlMeansDenoising(noisy, None, 10, 7, 21)

这里使用了快速非局部均值去噪（fastNlMeansDenoising），其中第二个参数为输出图像（为None时，函数会自动创建一个与输入图像大小和类型相同的输出图像）。第三个参数是滤波器强度，第四个参数是相邻像素之间的距离（越大表示平滑的区域越大），第五个参数是搜索窗口的大小。

最后，可以使用skimage库中的`compare_ssim`函数来计算去噪前后的图像对比度（结构相似性指数）：

# 计算对比度
score1 = compare_ssim(gray, noisy)
score2 = compare_ssim(gray, denoised)

print('加噪前对比度：', score1)
print('去噪后对比度：', score2)

这里使用了结构相似性指数（SSIM）来评估图像质量，该指数的取值范围为[-1, 1]，越接近1表示两张图像越相似，越接近-1表示两张图像越不相似。`compare_ssim`函数的第一个参数是原图像，第二个参数是要比较的图像。

完整代码如下：

import cv2
import numpy as np
from skimage.measure import compare_ssim

# 加载图像并转换为灰度图像
img = cv2.imread('lena.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 生成高斯噪声
mean = 0
var = 10
sigma = var ** 0.5
noise = np.random.randn(gray.shape[0], gray.shape[1]) * sigma + mean
noise = noise.reshape(gray.shape)

# 添加高斯噪声
noisy = gray + noise.astype(np.uint8)

# 去噪
denoised = cv2.fastNlMeansDenoising(noisy, None, 10, 7, 21)

# 计算对比度
score1 = compare_ssim(gray, noisy)
score2 = compare_ssim(gray, denoised)

print('加噪前对比度：', score1)
print('去噪后对比度：', score2)