There are many noise reduction algorithms in image processing.^[35] In selecting a noise reduction algorithm, one must weigh several factors:

• the available computer power and time available: a digital camera must apply noise reduction in a fraction of a second using a tiny onboard CPU, while a desktop computer has much more power and time
• whether sacrificing some real detail is acceptable if it allows more noise to be removed (how aggressively to decide whether variations in the image are noise or not)
• the characteristics of the noise and the detail in the image, to better make those decisions

In real-world photographs, the highest spatial-frequency detail consists mostly of variations in brightness (luminance detail) rather than variations in hue (chroma detail)—or chromaticity. Most photographic noise reduction algorithms split the image detail into chroma and luminance components and apply more noise reduction to the former or allow the user to control chroma and luminance noise reduction separately.

One method to remove noise is by convolving the original image with a mask that represents a low-pass filter or smoothing operation. For example, the Gaussian mask comprises elements determined by a Gaussian function. This convolution brings the value of each pixel into closer harmony with the values of its neighbors. In general, a smoothing filter sets each pixel to the average value, or a weighted average, of itself and its nearby neighbors; the Gaussian filter is just one possible set of weights.

ฟิลเตอร์ปรับความเรียบมักทำให้ภาพเบลอ เนื่องจากค่าความเข้มของพิกเซลที่สูงหรือต่ำกว่าบริเวณรอบข้างอย่างมากจะกระจายไปทั่วบริเวณ เนื่องจากความเบลอนี้ ฟิลเตอร์เชิงเส้นจึงไม่ค่อยได้ใช้ในทางปฏิบัติสำหรับการลดสัญญาณรบกวนอย่างไรก็ตาม ฟิลเตอร์เชิงเส้นมักถูกใช้เป็นพื้นฐานสำหรับฟิลเตอร์ลดสัญญาณรบกวนแบบไม่เชิงเส้น

อีกวิธีหนึ่งในการกำจัดสัญญาณรบกวนคือการปรับภาพให้เรียบโดยใช้สมการเชิงอนุพันธ์ย่อยที่คล้ายกับสมการความร้อนซึ่งเรียกว่าการแพร่แบบไม่สมมาตร (anisotropic diffusion ) โดยใช้สัมประสิทธิ์การแพร่ที่คงที่ในเชิงพื้นที่ วิธีนี้จะเทียบเท่ากับสมการความร้อนหรือการกรองแบบเกาส์เซียน เชิงเส้น แต่ด้วยสัมประสิทธิ์การแพร่ที่ออกแบบมาเพื่อตรวจจับขอบ ทำให้สามารถกำจัดสัญญาณรบกวนได้โดยไม่ทำให้ขอบของภาพเบลอ

อีกแนวทางหนึ่งในการกำจัดสัญญาณรบกวนคือการหา ค่าเฉลี่ย แบบไม่เฉพาะที่ของพิกเซลทั้งหมดในภาพ โดยเฉพาะอย่างยิ่ง ปริมาณน้ำหนักที่ใช้กับพิกเซลแต่ละพิกเซลจะขึ้นอยู่กับระดับความคล้ายคลึงกันระหว่างส่วนเล็กๆ ที่อยู่ตรงกลางพิกเซลนั้นกับส่วนเล็กๆ ที่อยู่ตรงกลางพิกเซลที่กำลังทำการลดสัญญาณรบกวน

ตัวกรองค่ามัธยฐานเป็นตัวอย่างของตัวกรองแบบไม่เชิงเส้น และหากออกแบบอย่างเหมาะสม จะสามารถรักษาความคมชัดของภาพได้ดีมาก วิธีการใช้งานตัวกรองค่ามัธยฐาน:

1. พิจารณาพิกเซลแต่ละพิกเซลในภาพ
2. เรียงลำดับพิกเซลข้างเคียงตามความเข้มของแสง
3. แทนที่ค่าพิกเซลเดิมด้วย ค่า มัธยฐานจากรายการ

ตัวกรองค่ามัธยฐานเป็นตัวกรองการเลือกอันดับ (RS) ซึ่งเป็นสมาชิกที่ค่อนข้างรุนแรงในกลุ่มตัวกรองการเลือกอันดับแบบมีเงื่อนไข (RCRS) ^{[ 36 ]}สมาชิกที่อ่อนโยนกว่าในกลุ่มนั้น เช่น ตัวกรองที่เลือกค่าที่ใกล้ที่สุดจากค่าใกล้เคียงเมื่อค่าของพิกเซลอยู่นอกบริเวณใกล้เคียง และปล่อยให้ค่าไม่เปลี่ยนแปลงในกรณีอื่น ๆ มักเป็นที่ต้องการมากกว่า โดยเฉพาะในการใช้งานด้านการถ่ายภาพ

ตัวกรองค่ามัธยฐานและตัวกรอง RCRS อื่นๆ มีประสิทธิภาพในการกำจัดสัญญาณรบกวนแบบจุดๆ (salt and pepper noise) ออกจากภาพ และยังทำให้ขอบภาพเบลอน้อยมาก จึงมักถูกนำไปใช้ในแอปพลิเคชันด้านคอมพิวเตอร์วิชั่น

เป้าหมายหลักของอัลกอริธึมการลดสัญญาณรบกวนภาพคือการลดสัญญาณรบกวน^{[ 37 ]}และรักษาคุณลักษณะ^{[ 38 ]}โดยใช้ฟิลเตอร์แบงค์เวฟเล็ต^{[ 39 ]}ในบริบทนี้ วิธีการที่ใช้เวฟเล็ตเป็นพื้นฐานมีความน่าสนใจเป็นพิเศษ ในโดเมนเวฟเล็ต สัญญาณรบกวนจะกระจายอย่างสม่ำเสมอทั่วทั้งสัมประสิทธิ์ ในขณะที่ข้อมูลภาพส่วนใหญ่จะกระจุกตัวอยู่ในสัมประสิทธิ์ขนาดใหญ่เพียงไม่กี่ตัว^{[ 40 ]}ดังนั้น วิธีการลดสัญญาณรบกวนแบบเวฟเล็ตวิธีแรกจึงใช้การกำหนดค่าเกณฑ์ของสัมประสิทธิ์ซับแบนด์รายละเอียด^{[ 41 ]}อย่างไรก็ตาม วิธีการกำหนดค่าเกณฑ์เวฟเล็ตส่วนใหญ่มีข้อเสียคือ เกณฑ์ที่เลือกอาจไม่ตรงกับการกระจายเฉพาะของส่วนประกอบสัญญาณและสัญญาณรบกวนในระดับและทิศทางที่แตกต่างกัน

เพื่อแก้ไขข้อเสียเหล่านี้ จึงมีการพัฒนาตัวประมาณค่าแบบไม่เชิงเส้นตามทฤษฎีเบย์เซียน ในกรอบงานเบย์เซียน เป็นที่ยอมรับว่าอัลกอริทึมการลดสัญญาณรบกวนที่ประสบความสำเร็จสามารถลดสัญญาณรบกวนและรักษาคุณลักษณะได้ หากใช้คำอธิบายทางสถิติที่แม่นยำของส่วนประกอบสัญญาณและสัญญาณรบกวน^{[ 40 ]}

นอกจากนี้ยังมีวิธีการทางสถิติสำหรับการลดสัญญาณรบกวนในภาพด้วย สำหรับสัญญาณรบกวนแบบเกาส์เซียนเราสามารถจำลองพิกเซลในภาพระดับสีเทาเป็นแบบกระจายตัวปกติอัตโนมัติ โดยที่ ค่าระดับสีเทาที่ แท้จริง ของแต่ละพิกเซล จะมีการกระจายตัวแบบปกติ โดยมีค่าเฉลี่ยเท่ากับค่าเฉลี่ยระดับสีเทาของพิกเซลข้างเคียง และมีค่าความแปรปรวนที่กำหนดไว้

อนุญาต${\displaystyle \delta _{i}}$ระบุพิกเซลที่อยู่ติดกับ${\displaystyle i}$พิกเซลที่ - จากนั้น การกระจายแบบมีเงื่อนไขของความเข้มของระดับสีเทา (บน${\displaystyle [0,1]}$มาตราส่วน) ที่${\displaystyle i}$โหนด ที่ -thคือ $${\displaystyle \mathbb {P} {\big (}x(i)=c\mid x(j)\,\forall j\in \delta _{i}{\big )}\propto \exp \left(-{\frac {\beta }{2\lambda }}\sum _{j\in \delta _{i}}{\big (}cx(j){\big )}^{2}\right)}$$ สำหรับพารามิเตอร์ที่เลือก${\displaystyle \beta \geq 0}$และความแปรปรวน${\displaystyle \lambda }$วิธีการลดสัญญาณรบกวนวิธีหนึ่งที่ใช้โมเดลอัตโนมัติปกติจะใช้ข้อมูลภาพเป็นข้อมูลเบื้องต้นแบบเบย์เซียนและความหนาแน่นอัตโนมัติปกติเป็นฟังก์ชันความน่าจะเป็น โดยการกระจายความน่าจะเป็นภายหลังที่ได้จะให้ค่าเฉลี่ยหรือค่าฐานนิยมเป็นภาพที่ลดสัญญาณรบกวนแล้ว^{[ 42 ] [ 43 ]}

อัลกอริทึมการจับคู่บล็อกสามารถนำไปใช้เพื่อจัดกลุ่มชิ้นส่วนภาพที่คล้ายกันของมาโครบล็อก ที่ทับซ้อนกัน ที่มีขนาดเท่ากัน จากนั้นจะกรองมาโครบล็อกที่คล้ายกันเข้าด้วยกันในโดเมนการแปลง และในที่สุดชิ้นส่วนภาพแต่ละชิ้นจะถูกกู้คืนไปยังตำแหน่งเดิมโดยใช้ค่าเฉลี่ยถ่วงน้ำหนักของพิกเซลที่ทับซ้อนกัน^{[ 44 ]}

Shrinkage fieldsเป็น เทคนิค การเรียนรู้ของเครื่องที่ใช้^{ฟิลด์}สุ่มซึ่งให้ประสิทธิภาพเทียบเท่ากับการจับคู่บล็อกและการกรอง 3 มิติแต่ต้องการค่าใช้จ่ายในการคำนวณที่ต่ำกว่ามาก ทำให้สามารถดำเนินการได้โดยตรงภายในระบบฝังตัว [ ^{45 ]}

มีการเสนอแนวทาง การเรียนรู้เชิงลึกต่างๆเพื่อลดสัญญาณรบกวน^{[ 46 ]}และงานฟื้นฟูภาพ ดังกล่าว Deep Image Priorเป็นเทคนิคหนึ่งที่ใช้โครงข่ายประสาทเทียมแบบ Convolutionalและมีความโดดเด่นตรงที่ไม่ต้องใช้ข้อมูลการฝึกอบรมล่วงหน้า^{[ 47 ]}