请用python程序以及文字描述如何实现高斯噪音和椒盐噪音和乘性噪音以及泊松噪音，以及分别通过这4种噪音进行图片去噪的详细过程和优缺点

在Python中，我们可以使用NumPy库来实现这些常见的图像噪声。下面是四种噪声的简单实现步骤及去噪过程：

1. **高斯噪声**

   import numpy as np
   from scipy.ndimage.filters import gaussian_filter

   # 创建原图
   img = ... # 你的图片数组
   sigma = 5  # 高斯噪声的标准差，越大越模糊

   # 添加高斯噪声
   noisy_img = img + np.random.normal(0, sigma, img.shape)

**优点**：高斯噪声能平滑图像，保持边缘细节；适合小范围的、连续的噪声。
**缺点**：过度的高斯噪声可能导致图像过度平滑，丢失重要特征。
**去噪过程**：可以使用反卷积或滤波器（如高斯滤波）去除高斯噪声，但需要权衡清晰度和噪声消除程度。

2. **椒盐噪声**

   def salt_pepper_noise(img, p=0.01):
       noisy_img = img.copy()
       for i in range(noisy_img.size):
           if np.random.rand() < p:
               noisy_img.flat[i] = 0  # 黑色像素
           elif np.random.rand() < p:
               noisy_img.flat[i] = 255  # 白色像素
       return noisy_img

**优点**：模型简单，易于理解和实现；对图像的局部结构破坏大。
**缺点**：过于突兀，不适合模拟真实的噪声。
**去噪过程**：椒盐噪声往往难以完全去除，可以通过双阈值法尝试恢复部分区域，但可能引入新的伪影。

3. **乘性噪声**

   img *= np.random.uniform(low=0.9, high=1.1, size=img.shape)  # 或者用0.95到1.05之间的随机值

**优点**：容易实现，模拟了光线衰减等现象。
**缺点**：可能会造成对比度失真，需要后续调整。
**去噪过程**：通常通过调整全局亮度和对比度恢复，或者使用直方图均衡化。

4. **泊松噪声**
实现泊松噪声较为复杂，因为它的概率分布依赖于像素值。可以先将图像转换为灰度，然后模拟：

   img_gray = ... # 转换为灰度
   noisy_poisson = np.random.poisson(img_gray * img_gray) / img_gray

**优点**：模拟真实曝光过程，对暗部噪声有好效果。
**缺点**：计算密集，需要较长时间。
**去噪过程**：同样，通过反向模拟或迭代方法（如Chambolle算法）可以尝试去除，但效果可能不如其他三种直接。

去噪过程中，每种方法都有其局限性和适用场景，选择合适的算法取决于噪声的特性和图像内容。