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

在计算机视觉和图像处理中，这个过程通常涉及以下几个步骤：

1. **读取图像1**：你可以使用Python的`PIL`（Python Imaging Library）或`OpenCV`库来加载图像文件。例如，如果使用`OpenCV`，可以这样做：

   import cv2
   img1 = cv2.imread('image1.jpg')

2. **转换为灰度图像2**：`cv2.cvtColor()`函数用于颜色空间转换，这里将彩色图像转换为灰度：

   gray_img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

3. **添加高斯噪声到图像3**：使用`numpy`的随机数生成器结合高斯分布模拟高斯噪声。`cv2.GaussianBlur()`可以实现这一功能：

   noise_std = 10  # 设定噪声强度
   noisy_img3 = cv2.addWeighted(gray_img2, 1, np.random.normal(0, noise_std, gray_img2.shape), 0.5, 0)

4. **去噪处理（邻域平均法）**：通过计算每个像素点周围区域的平均值来减少噪声，`cv2.medianBlur()`或`cv2.fastNlMeansDenoisingColored()`可用于此目的：

   denoised_img4 = cv2.medianBlur(noisy_img3, kernel_size=5)  # 选择合适的kernel_size

5. **显示所有图像**：最后，可以使用`matplotlib`来在一个窗口中显示这四张图：

   import matplotlib.pyplot as plt
   fig, axs = plt.subplots(nrows=2, ncols=2)
   axs[0, 0].imshow(img1)
   axs[0, 0].set_title('Original Image 1')
   axs[0, 1].imshow(gray_img2, cmap='gray')
   axs[0, 1].set_title('Grayscale Image 2')
   axs[1, 0].imshow(noisy_img3, cmap='gray')
   axs[1, 0].set_title('Noisy Image 3')
   axs[1, 1].imshow(denoised_img4, cmap='gray')
   axs[1, 1].set_title('Denoised Image 4')
   plt.show()