泊松方程滤波：
泊松方程滤波的方法对深度图像进行滤波降噪。通过泊松方程滤波算法对被测物体或环境的表面进行判断，分辨出表面特征点是否有噪声成分。根据泊松方程滤波算法的定义，微软公司给出的方法其基本原理为：首先，获取被测物体表面的特征点，将每个特征点的坐标经旋转运算和坐标转换等运算得到每个特征点的方向和方向角度，并预测该特征点的空间坐标范围。然后，通过泊松方程和特征点的方向及方向角度，在以特征点为中心构成一个的距离场。这个距离场主要通过泊松方程建立。特征点对周围的影响是通过平均估计获取的采样特征点的位置得到的，同时可以估计其周围的表面特征点的距离场的影响平均值。如果被测物体表面确实存在空洞，则空洞的影响可扩散到周围，从而能将形状平滑。由于特征点的特征和最终状态由其本身和特征点周围的点共同决定。
综上所述，当被测物体表面出现凸起或凹陷的一个点，当以此点为中心的附件没有出现类似与此点有相同的凸起或凹陷的特征的点，则该点被判定为噪声，需将其过滤去除；若没有出现该情况，该点暂无法判定其为噪声点，该点应保留。当被测物体表面本身存在毛糙的特征或其他微小的凹陷或凸出特征时，泊松滤波可能将此特征视为噪音干扰。
高斯滤波去噪：
高斯滤波器是一种根据高斯函数的形状来选择权值的线性平滑滤波器，对于抑制正态分布的噪声效果较佳。现阶段，高斯滤波器广泛的应用于图像处理领域，并不断有究人员对其进行优化升级。对于图像处理领域，高斯滤波器是利用高斯核的一个二维卷积算子，将图像的细节和噪声进行滤除，将图像模糊化，得到信噪比较高的图像。
对于图像处理领域，常用二维零均值的离散高斯函数作为平滑滤波器，其本质是平均加权的过程。高斯滤波器的权值主要和图像中像素点的空间位置相关，目标像素点与比较像素点之间的距离越大，此处像素点的权值也越大；反之，权值越小。故其滤波核如公式：
高斯函数的标准差， w(i, j) ——滤波器在 (i, j) 处的权值。 高斯滤波算法无在空间域还是频率域，其低通范围内的滤波效果十分明显，能很好的抑制服从高斯分布和正态分布的噪音。由于高斯滤波的高斯滤波核在权值的运算时，只将像素点的空间位置与权值相互关联，没有考虑像素值大小的变化，因此滤波后会将图像的边缘模糊。高斯滤波的效果对于普通的RGB 图像，其弊端可能不会在图像上直观体现出来。但是对于深度图像，其像素值代表对应像素点的深度距离值，其图像的像素值会由于边缘信息的部分丢失而出现跳变，深度图像的边缘效果会被弱化。因此需把握好高斯滤波器的高斯滤波核大小及其频域大小，避免将深度图像过于模糊化，改变了深度图像的轮廓和内容。
中值滤波去噪：
其像素值的大小像素排序后获得像素值的均值。将像素值大小位于均值附近的点
保留，其余点视为噪声，将其孤立并滤除噪声点。对于本文的深度图像的处理，
采用流行的二维中值滑动滤波，二维中值滤波器的定义为：
g(x, y)—滤波后的图像， F(x, y)—原深度图像，W—二维中值滤波模板。滤波模板一般为
3*3尺寸大小的区域，也可以为其他尺寸大小的区域，或者其他不同的形状，如线状、圆形等。
双边滤波去噪：
针对高斯滤波能够显著的滤除噪声，但不能保证图像信息的边缘不被破坏；而中值滤波虽能降低对图像边缘及轮廓的影响，但其主要对椒盐噪声等几类固定的噪声有效果，研究人员在高斯滤波器的基础上提出了双边滤波器。双边滤波器的特点是在滤除噪声的同时，较好的保留深度图像的边缘信息，不对深度图的轮廓产生影响。双边滤波主要由两个函数组成，两个函数分布由空间几何距离和像素差值大小决定的滤波器的系数。双边滤波器与高斯滤波器不同，高斯滤波器仅考虑像素的空间距离关系，而双边滤波器同时考虑像素周围点的灰度值和这些点与中心点的欧氏距离，因此双边滤波器滤波后的点的灰度值为：
h ——滤波后对应点的灰度值， f——滤波前对应点的灰度值，c——中心点和它领域内点的空间相似度，s——中心点和它领域内点的灰度相似度。双边滤波器的宗旨为图像内的任何像素点都与领域的所有点加权平均，以使其平滑化。因此双边滤波器在点x 处领域的点采取了不一样的权重，主要通过 两个核心函数式实现。这两个函数分别代表了点 x与其邻近的点在空间几何关系上的差异和灰度值上的差异。在运算过程中，c和 s 均能通过高斯函数实现，其定义如下：
双边滤波在滤波的同时考虑了像素间的相识度，能较好的保护深度图像信息中的边缘和轮廓信息，但对深度图像中的高频部分噪音不能较好的处理。结果一般优于高斯滤波和中值滤波。
主要的滤波去噪有以下几种，我是看到别人写的论文觉得写得好复制下来的，之后有时间还会把这些算法实现一下，贴上源代码，也欢迎懂行的朋友指点。