采用二值判断如果确认是噪声，用该点上面一个灰度进行替换。
噪声点处理：对原点周围的八个点进行扫描，比较。当该点像素值与周围8个点的值小于N时，此点为噪点 。
处理后的文件大小只有原文件小的三分之一，前后的图片内容肉眼几乎无法察觉。
但是这样处理后图片放入CNN中在其他条件不变的情况下，模型loss无法下降，二分类图片，loss一直在8-9之间。准确率维持在0.5,同时，测试集的训练误差持续下降，但是准确率也在0.5徘徊。大概真是需要误差，让优化方法从局部最优跳出来。
使用的activation function是relu，full connection layer是softmax分类函数，优化方法为RMsprop
难到是需要加入噪音更好，CNN中加入高斯噪音不是让模型更稳健的吗？还有让模型跳出局部最优的好处，方便训练。
原意：降噪的目的是因为这批数据是样本较少，用复印机 扫面出来的图片，想着放入更干净的数据，模型更容易学习到本质特征。
结果事与愿违，后来查看了BatchNormalization的作用。
更：
在第一层的Maxpooling后面加上，model.add(BatchNormalization())，效果非常显著，第一次epoch的loss值只有0.63，acc也迅速上升，不会出现之前的卡在8.354一直不动，哪怕更换 leraning rate和使用Adagrad，都是一样的，如果前面的5个epoch完，还是没有太大的变化，后面几乎不会收敛。
1，leraning rate的设置
#导入模块，以rmsprop为例
from keras.optimizers import rmsprop
rmsprop=rmsprop(lr=0.1)#只是更改了学习率，其他的参数没有更改，默认学习率是0.001
2.BatchNormalization()的设置
from keras.layers.normalization import BatchNormalization
#网上不少人说，批规范化 加在输入层的激活函数（层）的前面
model.add(BatchNormalization())