前面提到，我們想到了用平均操作來降低噪聲。降低噪聲的意義是顯而易見的，當我們需要影象增強，以提升影象的質量時，必須降低甚至消除噪聲。

用平均操作來降低噪聲是一種好方法，其基於的原理是：每個畫素點的值與其周邊畫素點的值比較接近。

但是，我們進一步分析，如果一個畫素點的值沒有被噪聲汙染，那麼用這種操作就改變了畫素點的真實值，帶來了副作用。同時，在畫素點的8領域周邊畫素中，其水平和垂直方向的4領域畫素與中心畫素的距離是1，而對角畫素與中心畫素的距離是根號2，距離中心畫素更近的畫素的值是不是與中心畫素的值更接近呢，重要程度更高呢。同樣，中心畫素的值本身是不是有更大的可能性接近原始值呢，它本身的重要程度是不是也更高呢。

於是，我們很自然的就想到是不是不用絕對平均，而是用加權平均，重要程度高的賦予更高的權重，重要程度低的賦予較低的權重。例如下圖所示：

中心點象素的權重是0.25，水平和垂直方向畫素的權重是0.125，對角方向畫素的權重是0.0625，當然，這些權重的和必須等於1。

我們用加權平均來看一看效果。下圖是帶有鹽噪聲的影象。

import cv2 import numpy as np salt = cv2.imread("salt_lena.bmp", 0) row, column = salt.shape reduce = salt[:] for x in range(1, row - 1):     for y in range(1, column - 1):         reduce[x, y] = 0.0625 * salt[x - 1, y - 1] + 0.125 * salt[x - 1, y] + 0.0625 * salt[x - 1, y + 1] + \             0.125 * salt[x, y - 1] + 0.25 * salt[x, y] + 0.125 * salt[x, y + 1] + \             0.0625 * salt[x + 1, y - 1] + 0.125 * salt[x + 1, y] + 0.0625 * salt[x + 1, y + 1]

cv2.imshow("reduce", reduce.astype("uint8")) cv2.waitKey()  

輸出結果：