在〈圖片雜訊處理（一）〉與〈圖片雜訊處理（二）〉中談過了建立圖片雜訊的基本方式，那麼若圖片本身就有雜訊，該如何去除呢？
首先，「去除」雜訊這件事，本身描述上就不是很正確，對於圖片中的雜訊處，像素資訊已經被雜訊掩蓋而失真，你只能試著在該處填個資訊，令其與周圍像素看來協調一些，或說看來不明顯、不突兀，也就是模糊處理，希望讓肉眼看不出來，或者令後續程式處理時能忽略該處資訊，就這點來看，「抑制」雜訊應該是比較正確的說法。
試著讓雜訊處與周圍像素看來協調一些的方式之一，是取周圍像素值加總後平均，將得到的值取代雜訊處的像素，這種方式稱為均值濾波（Mean filter），OpenCV 提供了 blur 函式，可以指定周圍像素大小的長寬來進行模糊處理，例如指定 3x3：
import cv2
import numpy as np
def salt_pepper_noise(image, fraction, salt_vs_pepper):
img = np.copy(image)
size = img.size
num_salt = np.ceil(fraction * size * salt_vs_pepper).astype('int')
num_pepper = np.ceil(fraction * size * (1 - salt_vs_pepper)).astype('int')
row, column = img.shape
x = np.random.randint(0, column - 1, num_pepper)
y = np.random.randint(0, row - 1, num_pepper)
img[y, x] = 0
x = np.random.randint(0, column - 1, num_salt)
y = np.random.randint(0, row - 1, num_salt)
img[y, x] = 255
return img
def white_noise(image, min_noise, max_noise):
img = np.copy(image)
noise = np.random.randint(min_noise, max_noise, img.shape)
return np.clip(img + noise, 0, 255).astype('uint8')
def gaussian_noise(image, mean = 0, sigma = 1):
img = np.copy(image)
noise = np.random.normal(mean, sigma, img.shape)
return np.clip(img + noise, 0, 255).astype('uint8')
img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
s_p_noisy = salt_pepper_noise(img, 0.1, 0.5)
white_noisy = white_noise(img, -5, 5)
gaussian_noisy = gaussian_noise(img, 0, 15)
cv2.imshow('s_p_noisy', cv2.blur(s_p_noisy, (3, 3)))
cv2.imshow('white_noisy', cv2.blur(white_noisy, (3, 3)))
cv2.imshow('gaussian_noisy', cv2.blur(gaussian_noisy, (3, 3)))
cv2.waitKey(0)
cv2.destroyAllWindows()
來看看三種雜訊處理過後的結果：
由於是取周圍像素平均值，對於選定的像素範圍，均值濾波本身的作用在於抑制範圍內較為高頻訊號，如果範圍內灰階值變化不大，也就是範圍內的訊號屬於低頻，均值濾波會有比較好的效果。
另一方面也就是說，均值濾波處理對於椒鹽雜訊或高頻雜訊的效果不大，畢竟椒鹽雜訊處是 0 或 255，取周圍像素平均後的值會受到這兩個極端值的影響，如果雜訊只出現在圖像的某些部份，擴大像素範圍雖然在某些程度上，可以對高頻雜訊有更大的振制，然而取平均的結果就是，邊緣細節容易失去，圖像會更為模糊。
如果取鄰近像素值排序後取中間數，稱為中值濾波（Median filter），OpenCV 的 medianBlur 函式提供了實作。例如：
... 同前 ... 略
img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
s_p_noisy = salt_pepper_noise(img, 0.1, 0.5)
white_noisy = white_noise(img, -5, 5)
gaussian_noisy = gaussian_noise(img, 0, 15)
cv2.imshow('s_p_noisy', cv2.medianBlur(s_p_noisy, 3))
cv2.imshow('white_noisy', cv2.medianBlur(white_noisy, 3))
cv2.imshow('gaussian_noisy', cv2.medianBlur(gaussian_noisy, 3))
cv2.waitKey(0)
cv2.destroyAllWindows()
來看看效果：
因為是取排序後的中值，像素選擇範圍內差異極大的像素比較不會被選中，若鄰近像素範圍選擇適當，中值濾波可以有效地抑制高頻雜訊，畢竟排序後，因雜訊而差異大的像素值會是兩側，比較不會被選中，例如椒鹽雜訊這邊看來抑制的效果不錯。
中值濾波也能夠保留較多邊緣的細節，因為圖像邊緣處往往是灰階變化大的地方，若選定的範圍是在圖像邊緣處，排序後大致上是一邊很高，一邊偏很低，選擇的中值基本上會落在其中一邊，較容易維持邊緣的細節，只不過處理後的邊緣不免會產生鋸齒狀。
方才談到均值濾波的原理，是單純取鄰近像素的平均值，高斯濾波的原理也是取鄰近像素平均值，然而計算平均值時會考慮鄰近像素的權重，權重是透過二維的高斯函式來計算，也就是考量了一定範圍內的雜訊會具有高斯分佈。
實際環境中不少雜訊分佈就具有此特性，因此高斯濾波常用來抑制照片中的雜訊，缺點就是計算上比較耗時，OpenCV 的 GaussianBlur 函式提供了實現，例如：
... 同前 ... 略
img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
s_p_noisy = salt_pepper_noise(img, 0.1, 0.5)
white_noisy = white_noise(img, -5, 5)
gaussian_noisy = gaussian_noise(img, 0, 15)
cv2.imshow('s_p_noisy', cv2.GaussianBlur(s_p_noisy, (3, 3), 15))
cv2.imshow('white_noisy', cv2.GaussianBlur(white_noisy, (3, 3), 15))
cv2.imshow('gaussian_noisy', cv2.GaussianBlur(gaussian_noisy, (3, 3), 15))
cv2.waitKey(0)
cv2.destroyAllWindows()
來看看效果，在保留細節部份，高斯濾波有不錯的表現，對於低頻雜訊也有不錯的效果：
均值濾波、中值濾波、高斯濾波等，是認識雜訊抑制（也是模糊）時很好的一個起點，它們都利用像素的局部資訊，來達到抑制雜訊之目的；然而，雜訊抑制還有許多其他方式，例如，透過分析整個圖片的資訊，來達到抑制雜訊的目的，在 OpenCV 的官方文件〈Image Denoising〉，就有談到這類雜訊抑制的相關函式，有進一步雜訊處理的需求時可以參考。