從對圖像進行濾波的過程中所采用的濾波方法來分，可分為空間域濾波、變換域濾波；從濾波類型來分，又可以分為線性濾波和非線性濾波。
2002年Do.M.N和VetterliM.提出了壹種“真正”的二維圖像稀疏表達方法——Contourlet變換[7,8]，這種變換能夠很好的表征圖像的各向異性特征。由於Contourlet變換能更好的捕獲圖像的邊緣信息，因此選擇合適的閾值進行去噪就能獲得比小波變換更好的效果。Starck等人將Curvelet變換應用於圖像的去噪過程中並取得了良好的效果[9]，該方法雖然能有效的去除噪聲，但往往會“過扼殺”Curvelet系數，導致在消除噪聲的同時丟失圖像細節。在過去的二十年裏，自適應濾波器在通信和信號處理領域引起了人們的極大關註。TerenceWang等人針對二維自適應FIR濾波器提出了壹種二維最優塊隨機梯度算法(TDOBSG)[10]。這種算法對濾波器的所有系數使用了空間可變的收縮因子。基於使後驗估計方差矢量的二範數最小的最小方差準則，在塊叠代的過程中選出最優的收斂因子。
線性濾波器的最大優點是算法比較簡單且速度比較快，缺點是容易造成細節和邊緣模糊。在目前對非線性濾波器的研究中，中值濾波器有較明顯的優勢，很多科學工作者對中值濾波器作了改進或者提出了壹些新型的中值濾波器。Loupas等人提出的自適應的加權中值濾波方法(AWMF)，但他利用的Speckle噪聲模型不夠精確，圖像細節損失較大[11]。針對中值濾波器在處理矢量信號存在的缺點，Jakko等人提出兩種矢量中值濾波器[12]。
近年來，小波分析是當前應用數學中壹個迅速發展的新領域，它憑借其卓越的優越性，越來越多的被應用於圖像去噪等領域，基於小波分析的圖像去噪技術也隨著小波理論的不斷完善取得了較好的效果。上個世紀八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，並首先把小波理論運用於信號和圖像的分解與重構，利用小波變換模極大值原理進行信號的奇異性檢測，提出了交替投影算法用於信號重構，為小波變換用於圖像處理奠定了基礎[13]。後來，人們根據信號與噪聲在小波變換下模極大值在各尺度上的不同傳播特性，提出了基於模極大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了“小波收縮”，它較傳統的去噪方法效率更高。“小波收縮”被Donoho和Johnstone證明是在極小化極大風險中最優的去噪方法，但在這種方法中最重要的就是確定閾值。1995年，Stanford大學的學者D.L.Donoho和I.M.Johnstone提出了通過對小波系數進行非線性閾值處理來降低信號中的噪聲[15，16，17]。從這之後的小波去噪方法也就轉移到從閾值函數的選擇或最優小波基的選擇出發來提高去噪的效果。影響比較大的方法有以下這麽幾種：EeroP.Semoncelli和EdwardH.Adelson提出的基於最大後驗概率的貝葉斯估計準則確定小波閾值的方法[18]；ElwoodT.Olsen等在處理斷層圖像時提出了三種基於小波相位的去噪方法：邊緣跟蹤法、局部相位方差閾值法以及尺度相位變動閾值法[19]；學者Kozaitis結合小波變換和高階統計量的特點提出了基於高階統計量的小波閾值去噪方法[20]；G.P.Nason等利用原圖像和小波變換域中圖像的相關性用GCV(generalcross-validation)法對圖像進行去噪[21]；Hang.X和Woolsey等人提出結合維納濾波器和小波閾值的方法對信號進行去噪處理[22]，VasilyStrela等人將壹類新的特性良好的小波(約束對)應用於圖像去噪的方法[23]；同時，在19世紀60年代發展的隱馬爾科夫模型(HiddenMarkov Model)[24]，是通過對小波系數建立模型以得到不同的系數處理方法；後又有人提出了雙變量模型方法[25,26]，它是利用觀察相鄰尺度間父系數與子系數的統計聯合分布來選擇壹種與之匹配的二維概率密度函數。這些方法均取得了較好的效果，對小波去噪的理論和應用奠定了壹定的基礎。
另外，盡管小波去噪方法現在已經成為去噪和圖像恢復的重要分支和主要研究方向，但目前在另類噪聲分布（非高斯分布）下的去噪研究還不夠。目前國際上開始將註意力投向這壹領域，其中非高斯噪聲的分布模型、高斯假設下的小波去噪方法在非高斯噪聲下如何進行相應的拓展，是主要的研究方向。未來這壹領域的成果將大大豐富小波去噪的內容。
總之，由於小波具有低墑性、多分辨率、去相關性、選基靈活性等特點[27]，小波理論在去噪領域受到了許多學者的重視，並獲得了良好的效果。但如何采取壹定的技術消除圖像噪聲的同時保留圖像細節仍是圖像預處理中的重要課題。目前，基於小波分析的圖像去噪技術已成為圖像去噪的壹個重要方法。