读出一幅灰度图像（"lena_gray.gif"），给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中

好的，以下是使用Python代码实现你的要求：

import cv2
import numpy as np

# 读入灰度图像lena_gray.gif
img = cv2.imread('lena_gray.gif', cv2.IMREAD_GRAYSCALE)

# 添加椒盐噪声
pepper_salt_noise = np.copy(img)
pepper_salt_noise[img < 30] = 0
pepper_salt_noise[img > 225] = 255
pepper_salt_noise = np.uint8(pepper_salt_noise)

# 添加高斯噪声
gaussian_noise = np.copy(img)
cv2.randn(gaussian_noise, 0, 10)
gaussian_noise = cv2.add(gaussian_noise, img)
gaussian_noise = np.uint8(gaussian_noise)

# 在同一图像窗口中显示三张图片
cv2.imshow('lena_gray.gif, pepper_salt_noise, gaussian_noise', np.hstack([img, pepper_salt_noise, gaussian_noise]))
cv2.waitKey()
cv2.destroyAllWindows()

注意：此处只是提供代码，可能无法对图像进行路径的读取，请修改代码中的文件路径以适应你的环境。

相关问题

python编写代码读出一幅灰度图像（"lena_gray.gif"），采用 3×3 拉普拉斯算子 𝑤=[1,1,1;1,−8,1;1,1,1] 对其进行滤波

可以这样编写代码：

from PIL import Image
import numpy as np

# 读入图像
im = Image.open('lena_gray.gif')
im_arr = np.array(im)

# 定义拉普拉斯算子
w = np.array([[1, 1, 1],
              [1, -8, 1],
              [1, 1, 1]])

# 图像滤波
filtered = np.zeros_like(im_arr)
for i in range(1, im_arr.shape[0] - 1):
    for j in range(1, im_arr.shape[1] - 1):
        filtered[i][j] = np.sum(w * im_arr[i-1:i+2, j-1:j+2])
        if filtered[i][j] < 0:
            filtered[i][j] = 0
        elif filtered[i][j] > 255:
            filtered[i][j] = 255

# 显示滤波后的图像
Image.fromarray(filtered.astype(np.uint8)).show()

这段代码会读入lena_gray.gif图像，并采用3x3拉普拉斯算子对其进行滤波，滤波后的图像会显示在屏幕上。

使用python读出一幅灰度图像（"lena_ill.png"），对其进行快速傅里叶变换，分别显示其幅度图像和相位图像。仅对相位部分进行傅里叶逆变换后查看结果图像。

好的，这个问题可以回答。以下是使用Python实现的代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取灰度图像
img = cv2.imread('lena_ill.png', cv2.IMREAD_GRAYSCALE)

# 快速傅里叶变换
f = np.fft.fft2(img)

# 获取幅度和相位部分
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20 * np.log(np.abs(fshift))
phase_spectrum = np.angle(fshift)

# 显示幅度和相位图像
plt.subplot(121), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(phase_spectrum, cmap='gray')
plt.title('Phase Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

# 对相位部分进行傅里叶逆变换
fshift_new = np.exp(1j*phase_spectrum)
f_new = np.fft.ifft2(np.fft.ifftshift(fshift_new))
img_new = np.abs(f_new)

# 显示结果图像
plt.imshow(img_new, cmap='gray')
plt.title('Inverted Image'), plt.xticks([]), plt.yticks([])
plt.show()

运行该代码后，首先显示出输入图像的幅度和相位图像，然后对相位部分进行傅里叶逆变换，最后显示结果图像。其中，幅度图像表示图像中每个点的强度，相位图像表示每个点的相位。