前面提到，帶有噪聲的圖像可以看作原始圖像函數與噪聲函數的和。
f(x,y)=I(x,y)+Noise(x,y)
那麼我們怎樣從帶有噪聲的圖像f(x, y)中去掉Noise得到I(x, y)呢？很自然的能想到，既然能加上噪聲函數，那麼把噪聲函數減去不就行了。
是這樣的，當然可以這樣想。但是，絕大多數時候我們并不知道噪聲函數是怎樣的，即使知道噪聲函數的表達式，但噪聲函數一般都是随機的。例如鹽噪聲就是随機的改變圖像中的像素點，你并不知道到底改變的是哪些像素點！
那怎麼辦呢？我們知道圖像帶有如下天然的特性：圖像中每個像素點的值與其旁邊的像素點的值比較接近。這很顯然。因為圖像是現實世界的反映。我們現實世界是連續的，除了對象邊界外，每個對象反映在圖像中，其覆寫的區域亮度都比較近似。
既然圖像中的每個像素點的值與其旁邊像素的值比較接近，如果一個像素點的值被噪聲幹擾，那麼是否可以用其周邊區域的像素平均值來代替這個像素點的值呢。
這就是平均操作：即把每個像素的值改變為其與領域像素組成區域的平均值。
領域是針對像素而言的，也就是像素點的周邊區域像素。位于坐标(x, y)處的像素p有4個水準和垂直方向的相鄰像素，這4個像素稱為p的4領域，下圖中标黑色的就是4領域。4領域的像素與p都隻有1個機關距離。
p還有4個對角相鄰像素，上圖中标綠色的方塊就是。4領域與4對角領域合稱為p的8領域。當然還可以再向外擴充一圈相鄰像素。為什麼用矩形定義領域區域呢？而不是圓，橢圓呢？這當然是為了計算機表達和處理的友善。圖像就是矩陣嘛，領域區域當然也可以看作矩陣。
如果p在圖像的邊界上，那麼其有些相鄰像素将位于圖像外部，這個我們以後再探讨。
如果因為是椒鹽噪聲，像素點的值被噪聲改變成0或255了，那麼通過領域像素的平均值就能把這個像素點的值近似找回來。
我們假設像素點p的值是56，被椒鹽噪聲改變成了0。如下圖所示：
通過像素點p和周圍8領域的平均操作：(56+56+55+57+0+57+57+56+56)/9=50，像素點p的值就又找回來了。
下面的代碼用于添加1%的鹽噪聲。
import numpy as np
import cv2
lena = cv2.imread("lena.bmp", )
row, column = lena.shape
noise_salt = np.random.randint(, , (row, column))
rand =
noise_salt = np.where(noise_salt < rand * , , )
lena.astype("float")
noise_salt.astype("float")
salt = lena + noise_salt
salt = np.where(salt > , , salt)
salt.astype("uint8")
下面的代碼用于平均操作對圖像進行降噪，可以看到白點淡化了許多：
reduce = salt[:]
for x in range(, row - ):
for y in range(, column - ):
average =
for i in [-, , ]:
for j in [-, , ]:
average += salt[x + i, y + j]
reduce[x, y] = average // 9
reduce.astype("uint8")