熟练使用空域均值、锐化滤波器和频域均值、锐化滤波器对一幅灰度图像进行滤波处理，给出完整代码

以下是使用空域均值、锐化滤波器和频域均值、锐化滤波器对一幅灰度图像进行滤波处理的完整代码，使用Python和OpenCV库实现：

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

# 加载灰度图像
img = cv2.imread('lena.jpg', 0)

# 空域均值滤波器
kernel = np.ones((5,5), np.float32)/25
dst1 = cv2.filter2D(img, -1, kernel)

# 空域锐化滤波器
kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
dst2 = cv2.filter2D(img, -1, kernel)

# 频域均值滤波器
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = rows//2, cols//2
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])
dst3 = np.uint8(img_back)

# 频域锐化滤波器
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = rows//2, cols//2
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])
dst4 = np.uint8(img_back)

# 显示原图和四种滤波结果
plt.subplot(2,3,1),plt.imshow(img, cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,2),plt.imshow(dst1, cmap = 'gray')
plt.title('Spatial Domain Mean Filtered Image'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,3),plt.imshow(dst2, cmap = 'gray')
plt.title('Spatial Domain Sharpened Image'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,5),plt.imshow(dst3, cmap = 'gray')
plt.title('Frequency Domain Mean Filtered Image'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,6),plt.imshow(dst4, cmap = 'gray')
plt.title('Frequency Domain Sharpened Image'), plt.xticks([]), plt.yticks([])
plt.show()

在这段代码中，首先使用`cv2.imread()`函数加载一张灰度图像，然后分别定义了一个空域均值滤波器`kernel`和一个空域锐化滤波器`kernel`。接着使用`cv2.filter2D()`函数对图像进行空域均值滤波和空域锐化滤波。然后使用`cv2.dft()`函数对图像进行傅里叶变换，并使用`np.fft.fftshift()`函数将频域零频分量移到频域图像的中心。接着定义了一个掩膜`mask`，使用一个矩形将零频分量的周围区域置为1，其余区域置为0，从而实现了频域均值滤波。将掩膜`mask`中的1和0交换，即可得到频域锐化滤波器，使用这个掩膜对频域图像进行处理后，再使用`cv2.idft()`函数进行傅里叶逆变换，得到处理后的图像。最后使用`plt.subplot()`函数将原图和四种滤波结果显示在同一个窗口中。