变换得到降噪图像。利用小波变换进行去噪的方法，其优点是能够更好地保留的图像的细节信息，这点至关重要。为了达到更好的滤波效果，人们又在小波的基础上提出了超小波的概念，如脊波、曲波、轮廓波。在滤波领域都有不错的发挥。但是，尽管技术已经相当先进，基于变换域的滤波方式还是利用了图像像素的空间关系，在变换域处理的时候，必然会对图像结构进行或多或少的破坏，造成图像的失真。

2005年，BuadesA,CollB和MorelJM提出了非局部去噪算法（NonLocalMeans,NLM)[11]的概念，这种方法利用了高斯白噪声的均值为零的特性，进而利用图像块之间的相似联系来进行去噪处理。这种算法是在整个图像中，寻找与当前像素块相似的图像块，利用这两个图像块的相似度进行灰度值的加权运算。这种方式，它的优点是能够很好的保留图像中的细节信息，保证了图像信息的全面性。非局部的去噪方法开辟了滤波方式的新局面，随之而来的，更多的各种各样的改进方法被不断提出。2007年，DabovK,FoiV,KatkovnnikV和EgiazarianKO在非局部去噪算法的基础上，又提出了一种局部与非局部相结合的三维块匹配滤波算法（Block-matchingand3Dfilteringalgorithm,BM3D)。它的工作原理是分两步：首先利用非局部的方法，在整个图像中寻找相似的图像块，并将其进行匹配，将匹配后的图像块进行堆叠得到一个三维矩阵，然后将这个三维矩阵进行变换域变换，在变换域中进行硬阈值滤波，得到重构的变换系数，然后进行逆变换得到初步的图像估计。

第二步则是利用得到的初步图像估计作为处理对象，进行块匹配和三维变换，利用线性的维纳滤波算法代替硬阈值滤波算法，得到我们需要的最终滤波图像。BM3D的滤波算法，结合了非局部平均算法的优点以及局部变换域算法的优点，在尽可能地保留图像细节信息的同时，又尽可能少的引入新的人造噪声。BM3D算法也由此成为目前公认的最有效的滤波算法之一。

而基于偏微分方程（PartialDifferentialEquation,PDE)的滤波算法，是在1990年，由Rudin等人首次提出的，后来经历了Perona和Malik提出的各向异性扩散模型，这种算法对于图像的重建和复原有了相当的价值[12]。近年来，还出现了高阶微分方程、复数域扩散方程和前向-后向扩散方程等。这些算法的提出也为图像降噪处理提供了新的手段和新的思路[13]。