图像去噪技术是数字图像处理器中关键的步骤，旨在消除像素值产生、读取和处理过程中的各种噪声。主要分为两大类：
1. 基于信号处理原理的传统图像降噪方法
基于空间域的图像降噪方法：包括均值滤波、中值滤波、高斯滤波、双边滤波等，通过卷积核对输入图像进行处理。非局部空间滤波技术，如非局部均值滤波器，通过搜索广阔区域来获得相似纹理，然后进行加权处理，达到去噪效果。这些方法在去噪的同时保持了图像的纹理清晰，但可能消耗大量的计算资源。
基于变换域的图像降噪方法：如频域滤波技术，基于频域噪声分布特点，选择合适的频率处理域，设置合理的滤波器和阈值进行去噪。这种方法具有更高的鲁棒性，但在选择滤波域、滤波器和参数时需谨慎。
基于图像压缩的去噪方法：将图像看作一系列微小细节的线性组合，通过压缩实现去噪。这类方法在处理平滑区域时效果极佳，但硬件实现性差，鲁棒性相对较弱。
超糅合方法：将上述方法融合，取得了最先进的去噪效果，代表为BM3D。这些方法在处理多种复杂噪声时表现出色，但计算复杂度高，数据依赖性强。
2. 基于机器学习的图像降噪方法
总结：传统图像去噪方法在计算资源合适的情况下，足以适用于大部分日常情景；而深度学习方法则在高精度要求、极大噪声、极弱信号场景中展现出色性能，尤其适用于极暗光、夜景、水下拍摄、医疗成像等高要求环境。根据实际应用场景选择合适的方法，可以有效提升图像质量。