图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。另外，在图像处理的某些环节当输入的像对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。对于
数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像像素的真实
灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响
图像复原、分割、
特征提取、图像识别等后继工作的进行。要构造一种有效抑制噪声的滤波器必须考虑两个基本问题：能有效地去除目标和背景中的噪声;同时，能很好地保护图像目标的形状、大小及特定的几何和拓扑结构特征。
一般说来，当信号频谱与噪声频谱混叠时或者当信号中含有非叠加性噪声时如由系统非线性引起的噪声或存在非高斯噪声等)，传统的线性滤波技术，如傅立变换，在滤除噪声的同时，总会以某种方式模糊图像细节(如边缘等)进而导致像线性特征的定位精度及特征的可抽取性降低。而非线性滤波器是基于对输入信号的一种非线性映射关系，常可以把某一特定的噪声近似地映射为零而保留信号的要特征，因而其在一定程度上能克服线性滤波器的不足之处。
中值滤波由Turky在1971年提出，最初用于时间序列分析，后来被用于图像处理，并在去噪复原中取得了较好的效果。
中值滤波器是基于次序统计完成信号恢复的一种典型的非线性滤波器，其基本原理是把图像或序列中心点位置的值用该域的中值替代，具有运算简单、速度快、除噪效果好等优点，曾被认为是非线性滤波的代表。然而，一方面中值滤波因不具有平均作用，在滤除诸如
高斯噪声时会严重损失信号的高频信息，使图像的边缘等细节模糊；另一方面中值滤波的滤波效果常受到噪声强度以及滤波窗口的大小和形状等因素的制约，为了使中值滤波器具有更好的细节保护特性及适应性，人们提出了许多中值滤波器的改进算法。
标准中值滤波算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。实际上在一定邻域范围内具有最大或最小
灰度值这一特性的，除了噪声点，还包括图像中的边缘点、线性
特征点等。中值滤波以此作为图像滤波依据，其滤波结果不可避免地会破坏图像的线段、锐角等信息。因此，要找到一种既能实现有效滤除噪声，又能完整保留图像细节的滤波机制，仅考虑噪声的灰度特性是难以实现的。
随着数学各分支在理论和应用上的逐步深入，以
数学形态学为代表的
非线性滤波在保护图像边缘和细节方面取得了显著进展[89][90]。形态学滤波器是近年来出现的一类重要的非线性滤波器，它由早期的二值形滤波器发展为后来的多值(
灰度)形态滤波器，在形状识别、
边缘检测、
纹理分析、图像恢复和增强等领域了广泛的应用。形态滤波方法充分利用形态学运算所具有的几何特征和良好的代数性质，主要采用态学开、闭运算进行滤波操作。从形态学基本原理可知，形态学的开运算会去掉图像上与结构元素的形态不相吻合的相对亮的分布结构，同时保留那些相吻合的部分;而闭运算则会填充那些图像上与结构元素不相吻合的相对暗的分布结构，同时保留那些相吻合的部分。因此他们都可以用来有效的提取特征和平滑像。值得注意地是，采用形态滤波器时，应根据不同的目的选择具有不同形状、大小和方向特性的结构元素。此外，形态学开、闭运算都具有幂等性，这意味着一次滤波就己将所有特定于结构元素的噪声滤除干净，再次重复不会产生新的结果。这是一个经典方法(如线性
卷积滤波、中值滤波)所不具备的性质。由于形态学运算是从图像的几何形态观点来进行图像处理的，因此这种优良的非线性滤波器能在滤波的同时，保持图像结构不被
钝化。