使用边界保持类平滑滤波器，编写程序，对含噪声（高斯噪声或椒盐噪声）图像进行去噪，并显示去噪前后的图像。

好的，下面是使用Python实现边界保持类平滑滤波器进行图像去噪的示例代码：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('noisy_image.jpg')

# 将图像转换为灰度图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 添加高斯噪声
mean = 0
var = 100
sigma = var ** 0.5
gaussian = np.random.normal(mean, sigma, img_gray.shape)
noisy_image = np.clip(img_gray + gaussian, 0, 255).astype(np.uint8)

# 添加椒盐噪声
salt_pepper_ratio = 0.05
salt_pepper = np.random.rand(img_gray.shape[0], img_gray.shape[1])
noisy_image[salt_pepper < salt_pepper_ratio] = 0
noisy_image[salt_pepper > 1 - salt_pepper_ratio] = 255

# 定义边界保持类平滑滤波器
def bilateral_filter(image, d, sigma_color, sigma_space):
    filtered_image = np.zeros_like(image)
    rows, cols = image.shape
    for i in range(rows):
        for j in range(cols):
            filtered_value = 0
            normalization = 0
            for k in range(max(0, i-d), min(rows, i+d+1)):
                for l in range(max(0, j-d), min(cols, j+d+1)):
                    spatial_distance = np.sqrt((k-i)**2 + (l-j)**2)
                    range_distance = abs(image[k,l] - image[i,j])
                    weight = np.exp(-spatial_distance**2/(2*sigma_space**2) - range_distance**2/(2*sigma_color**2))
                    filtered_value += weight * image[k,l]
                    normalization += weight
            filtered_image[i,j] = filtered_value / normalization
    return filtered_image

# 调用边界保持类平滑滤波器进行去噪
filtered_image = bilateral_filter(noisy_image, d=10, sigma_color=25, sigma_space=25)

# 显示原图、含噪声图像以及去噪后的图像
cv2.imshow('Original Image', img_gray)
cv2.imshow('Noisy Image', noisy_image)
cv2.imshow('Denoised Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在程序中，我们先读取了一张图像并将其转换为灰度图像。然后添加了高斯噪声和椒盐噪声。接着定义了一个边界保持类平滑滤波器，并用该滤波器对含噪声的图像进行了去噪。最后，我们显示原图、含噪声图像以及去噪后的图像。

你可以根据自己的需要更改程序中的参数以及图像的读取方式，以适应不同的应用场景。