矩形的滤波器（BUPT_rect）。用5乘5和7乘7的核对噪声图像Lena进行过滤,将这些结果与用高斯滤波器得到的结果进行比较。

矩形滤波器是一种常见的线性滤波器，可以用于图像降噪。下面我来简单介绍一下使用矩形滤波器对噪声图像Lena进行降噪的过程。

1. 加载图像Lena并加入高斯噪声

我们可以使用Python的OpenCV库来加载图像Lena，并使用cv2.randn()函数向其添加高斯噪声，代码如下：

import cv2
import numpy as np

# 加载图像
img = cv2.imread('lena.jpg')

# 添加高斯噪声
noise_img = img.copy()
cv2.randn(noise_img, 0, 50)  # 均值为0，标准差为50的高斯噪声
noise_img = noise_img.astype(np.int16)
noise_img = cv2.add(img, noise_img)
noise_img = np.clip(noise_img, 0, 255).astype(np.uint8)

2. 使用矩形滤波器进行降噪

我们可以使用cv2.boxFilter()函数来实现矩形滤波器。这个函数的第一个参数是输入图像，第二个参数是输出图像的深度，第三个参数是滤波核的大小，第四个参数是指定是否使用归一化滤波器，第五个参数是指定是否使用ROI进行滤波。代码如下：

# 使用5x5的矩形滤波器降噪
rect_filter5 = cv2.boxFilter(noise_img, -1, (5, 5), normalize=True)

# 使用7x7的矩形滤波器降噪
rect_filter7 = cv2.boxFilter(noise_img, -1, (7, 7), normalize=True)

3. 使用高斯滤波器进行降噪

我们也可以使用cv2.GaussianBlur()函数来实现高斯滤波器。这个函数的第一个参数是输入图像，第二个参数是输出图像的深度，第三个参数是滤波核的大小，第四个参数是指定高斯核的标准差。代码如下：

# 使用5x5的高斯滤波器降噪
gaussian_filter5 = cv2.GaussianBlur(noise_img, (5, 5), 0)

# 使用7x7的高斯滤波器降噪
gaussian_filter7 = cv2.GaussianBlur(noise_img, (7, 7), 0)

4. 比较结果

最后我们可以将降噪结果和原图像、高斯滤波器的结果进行比较。代码如下：

# 显示原图像、加噪声的图像和各滤波器的结果
cv2.imshow('Original', img)
cv2.imshow('Noise', noise_img)
cv2.imshow('Rect Filter 5x5', rect_filter5)
cv2.imshow('Rect Filter 7x7', rect_filter7)
cv2.imshow('Gaussian Filter 5x5', gaussian_filter5)
cv2.imshow('Gaussian Filter 7x7', gaussian_filter7)

# 等待按键
cv2.waitKey(0)

通过比较可以发现，使用矩形滤波器进行降噪的效果相对于高斯滤波器来说，会有更多的锐化效果，但也容易引入一些伪影。因此在实际应用中，需要根据具体的需求来选择使用哪种滤波器。