中值滤波和均值滤波
KNN滤波
- 在以待处理像素点为中心的模板内，选择k个与该像素的灰度方差为最小值的像素；
- 将这k个像素的灰度均值替换掉原来的像素值
双边滤波
一种可以保边缘去噪声的滤波器。与高斯滤波类似，双边滤波会依据每个像素及其领域构造一个加权平均值，加权计算包括两个部分，其中第一部分加权方式与高斯平滑中的相同；第二部分也属于高斯加权，但不是基于中心像素点与其他像素点的空间距离之上的加权，而是基于其他像素与重心像素的亮度差值的加权。可将双边滤波视为高斯平滑，对相似的像素赋予较高的权重，不相似的像素赋予较小的权重。
双边滤波公式： 
非局部均值滤波
一种可以保边缘去噪声的滤波器。主要思想是定义一基于相似度的权系数来对图像的所有像素点进行加权平均而得到恢复图像。一种基于块匹配来确定滤波权值的。即先确定一个块的大小，例如7x7，然后在确定一个搜索区域，例如15x15，在15x15这个搜索区域中的每一个点，计算7x7的窗口与当前滤波点7x7窗口的绝对差值和，然后在计算一个指数函数，所有的搜索点都用指数函数计算出一个权值，当然还有权值的归一化。根据这个权值进行点的滤波操作。
高通滤波
边缘锐化，边缘是高频部分。
低通滤波
平滑。
巴特沃斯滤波
（低通）：不会出现“振铃”现象，其效果好于理想低通滤波器； （高通）不会出现“振铃”现象，其效果好于理想高通滤波器。
中值滤波和均值滤波的差异
均值滤波相当与低通滤波，有将图像模糊化的趋势，对椒盐噪声基本无能为力。中值滤波的有点是可以很好地滤掉椒盐噪声,缺点是易造成图像的不连续性。
双边滤波与非局部均值滤波的区别
非局部算法获得的信噪比比双边滤波略高，有时候还不如双边滤波。但是，非局部滤波是一种基于快的匹配度来计算滤波权值的，所以能获得比较好的视觉效果。然而，它的计算复杂度实在是太高了。最原始非局部均值算法是在整个图片中进行块搜索，根据块的匹配度来计算权值。实际执行过程，都会把搜索区域限定在一个局部的搜索窗口中。
对图像产生振铃效应的原因（理想高通和理想低通滤波器）
产生振铃效应的原因就在于，理想低通滤波器在频率域下的分布十分线性（在D0处呈现出一条垂直的线，在其他频率处呈现出一条水平的线），那么不难想象出对应的h(x,y)将会有类似于sinc函数那样周期震荡的空间分布特性。正是由于理想低通滤波器的空间域表示有类似于sinc函数的形状，位于正中央的突起使得理想低通滤波器有模糊图像的功能，而外层的其他突起则导致理想低通滤波器会产生振铃效应。