从文件夹读入图像1，将图像1转成灰度图像2。给灰度图像2人为地加上高斯噪声得到带噪声的图像3，用邻域平均法对图像3进行去噪得到图像4。在同一个界面上分别显示图像1，图像2，图像3和图像4。

在Python中，我们可以使用如PIL (Python Imaging Library) 或者 OpenCV 等库来进行图像处理。以下是一个简单的步骤概述：

1. **加载图像**:
使用`PIL`库的`Image.open()`函数打开文件夹中的图像1，例如：

   from PIL import Image
   img1 = Image.open('folder/image1.jpg')

2. **转换为灰度图像**:
调用`convert()`方法将其转换为灰度图，例如：

   img2 = img1.convert('L')

3. **添加高斯噪声**:
可以使用`scikit-image`库的`gaussian_noise`函数，先读取灰度图像数据，然后添加噪声，比如：

   from skimage.util import random_noise
   noise = random_noise(img2, var=0.1)  # 设置噪声方差
   img3 = Image.fromarray(noise.astype('uint8'))

4. **去噪处理**:
邻域平均法通常涉及计算像素周围像素值的平均，OpenCV有`cv2.boxFilter()`可以实现这个功能，不过它需要先转化为numpy数组：

   import cv2
   img3_array = np.array(img3)
   denoised_img = cv2.fastNlMeansDenoisingColored(img3_array, None, 10, 10, 7, 21)
   denoised_img = Image.fromarray(denoised_img)

5. **显示图像**:
使用`PIL`的`show()`函数或`cv2.imshow()`函数展示这四张图像，注意关闭前一张图像以便显示新图像：

   img1.show()
   img2.show()
   img3.show()
   denoised_img.show()

   # 如果使用cv2，可以替换为：
   # cv2.imshow("Image1", img1)
   # cv2.imshow("Image2", img2)
   # cv2.imshow("Noisy Image", img3)
   # cv2.imshow("Denoised Image", denoised_img)
   cv2.waitKey(0)  # 等待用户按键，0表示立即关闭