噪聲是圖像干擾的重要原因。一幅圖像在實際應用中可能存在各種各樣的噪聲,這些噪聲可能在傳輸中產生,也可能在量化等處理中產生。

根據噪聲和信號的關系可將其分為三種形式：(f(x, y)表示給定原始圖像，g(x, y)表示圖像信號，n(x, y)表示噪聲。)

1) 加性噪聲，此類噪聲與輸入圖像信號無關，含噪圖像可表示為f(x, y)=g(x, y)+n(x, y),信道噪聲及光導攝像管的攝像機掃描圖像時產生的噪聲就屬這類噪聲；

2) 乘性噪聲，此類噪聲與圖像信號有關，含噪圖像可表示為f(x, y)=g(x, y)+n(x ,y)g(x, y),飛點掃描器掃描圖像時的噪聲，電視圖像中的相干噪聲，膠片中的顆粒噪聲就屬于此類噪聲。

3) 量化噪聲，此類噪聲與輸入圖像信號無關，是量化過程存在量化誤差，再反映到接收端而產生。

目前來說圖像去噪分為三大類：基于濾波器的方法（Filtering-Based Methods）、基于模型的方法（Model-Based Methods）和基于學習的方法（Learning-Based Methods）。

經典的基于濾波的方法，如中值濾波和維納濾波等，利用某些人工設計的低通濾波器來去除圖像噪聲。

• 中值濾波器：它是一種常用的非線性平滑濾波器，其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換，其主要功能是讓周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值，從而可以消除孤立的噪聲點，所以中值濾波對于濾除圖像的椒鹽噪聲非常有效。
• 自適應維納濾波器：它能根據圖像的局部方差來調整濾波器的輸出，局部方差越大，濾波器的平滑作用越強。

基于模型的方法試圖對自然圖像或噪聲的分布進行建模。然后，它們使用模型分布作為先驗，試圖獲得清晰的圖像與優化算法。基于模型的方法通常將去噪任務定義為基于最大后驗(MAP)的優化問題，其性能主要依賴于圖像的先驗。

基于學習的方法側重于學習有噪聲圖像到干凈圖像的潛在映射，可以分為傳統的基于學習的方法和基于深度網絡的學習方法。近年來，由于基于深度網絡的方法比基于濾波、基于模型和傳統的基于學習的方法獲得了更有前景的去噪結果，它們已成為主流方法。